声明：本人已经对原文链接根据情况做出合理的改动。
本系列文章使用的是Tensorflow v1.14
引言
TensorFlow 是由谷歌构建的用于训练神经网络的开源机器学习软件。TensorFlow 的神经网络以有状态数据流图的形式表示。图中的每个节点表示神经网络在多维数组上执行的操作。这些多维数组通常称为“张量(tensors)”，因此命名为“TensorFlow”。
TensorFlow 是一个深度学习软件系统。根据谷歌机器学习人工智能系统中的排名(RankBrain)，TensorFlow 可以很好地用于信息检索。TensorFlow 可以执行图像识别，如谷歌的 Inception，以及人类语言的音频识别。它也有助于解决其他不特定于机器学习的问题，如偏微分方程。
TensorFlow 架构允许部署在桌面、服务器或移动设备中的多个 CPU 或 GPU 上。还有与 CUDA 集成的扩展，CUDA 是 Nvidia 的一个并行计算平台。它可让部署在 GPU 上的用户直接访问虚拟指令集和 GPU 的其他元素，这对于并行计算任务是必需的。
在本教程中，您将安装“只支持 CPU”的 TensorFlow 版本。这对于那些想要安装和使用 TensorFlow 的人来说是非常理想的，不需要依赖 Nvidia 显卡或者不需要运行关键性能的应用程序。
您可以通过以下几种方式安装 TensorFlow。每种方法都有不同的用例和开发环境：
- Python 和 Virtualenv：在此方法中，您将安装 TensorFlow 并在 Python 虚拟环境中使用 TensorFlow 所需的所有包。这将把您的 TensorFlow 环境与同一台机器上的其他 Python 程序隔离开来。
- Native pip：在此方法中，您将在系统全局中安装 TensorFlow。这是推荐给多用户系统上使用 TensorFlow 的那些人。这种安装方法不会在包环境中隔离 TensorFlow，并且可能会干扰其他 Python 安装或库。
- Docker：Docker 是一个容器运行时环境，它将内容完全隔离在系统上预先存在的包中。在这个方法中，您使用包含 TensorFlow 及其所有依赖项的 Docker 容器。这种方法非常适合将 TensorFlow 合并到已经使用 Docker 的更大的应用程序体系结构中。但是这样做的话 Docker 镜像将相当大。
在本教程中，您将在 Python 虚拟环境 virtualenv 中安装 TensorFlow。该方法将 TensorFlow 安装隔离，并快速启动和运行。一旦完成安装，您将通过运行一个简单的 TensorFlow 程序来验证安装是否成功，然后使用 TensorFlow 来执行图像识别。
安装准备
在开始本教程之前，您需要准备以下内容:
- 一个至少 1GB 内存的 Ubuntu 16.04 服务器，根据 Ubuntu 16.04 初始化服务器设置指南进行设置，包括 sudo 非 root 用户和防火墙。您需要至少 1GB 内存的系统才能成功地完成本教程的最后一个示例。
- 安装 Python 3.3 或更高版本以及虚拟环境 virtualenv。按照如何在 Ubuntu 16.04 上安装 Python 3 教程以配置 Python 和 virtualenv。
sudo apt-get install python2.7-dev python3.5-dev python3-pip python3-venv git
- 安装 Git，您可以通过以下方式来实现，如何在 Ubuntu 16.04 上安装 Git。您将使用它来下载一个示例存储库。
详细步骤
步骤 1 — 安装 TensorFlow
在此步骤中，我们将创建一个虚拟环境并安装 TensorFlow。
1：创建一个名为 tf-demo 的项目目录：
$ mkdir ~/tf-demo && cd tf-demo
2：创建一个名为 tensorflow-dev 的新虚拟环境。
$ python3 -m venv tensorflow-dev
这将创建一个新的 tensorflow-dev 目录，该目录将包含环境被激活时需要安装的所有包。它还包括 pip 和一个独立版本的 Python。
3：激活你的虚拟环境：
source tensorflow-dev/bin/activate
一旦激活，你将会在你的终端看到命令提示符带有：'tensorflow-dev' 字样，例如：(tensorflow-dev)username@hostname:~/tf-demo $
注：如果你希望随时关闭虚拟环境，使用下面的命令：deactivate如果要重新激活环境，导航至项目目录并运行 source tensorflow-dev/bin/activate.
4：现在可以在虚拟环境中安装 TensorFlow。
运行以下命令安装和升级到 PyPi 中最新版本的 TensorFlow：(tensorflow-dev)
pip3 install --upgrade tensorflow
看到以下提示，等待最终完成
Collecting tensorflow
Downloading tensorflow-1.4.0-cp36-cp36m-macosx_10_11_x86_64.whl (39.3MB) 100% |████████████████████████████████| 39.3MB 35kB/s
...
Successfully installed bleach-1.5.0 enum34-1.1.6 html5lib-0.9999999 markdown-2.6.9 numpy-1.13.3 protobuf-3.5.0.post1 setuptools-38.2.3 six-1.11.0 tensorflow-1.4.0 tensorflow-tensorboard-0.4.0rc3 werkzeug-0.12.2 wheel-0.30.0
现在，您已经安装了 TensorFlow，让我们确认一下 TensorFlow 是否安装成功。
步骤 2 — 验证测试
为了验证 TensorFlow 是否安装成功，我们将在 TensorFlow 中使用非 root 用户权限运行一个的简单程序。
我们将使用惯用的初学者示例"Hello, world!"作为一种验证形式来验证。我们将使用 Python 的交互式控制台(Python's interactive console)来创建这个程序，而不是创建一个 Python 文件。
1：要编写程序，请启动 Python 解释器：
(tensorflow-dev) $ python
2：输入这一行代码来导入 TensorFlow 包，并将其作为本地变量 tf。输入代码后按回车键：
>>> import tensorflow as tf
3：接下来，添加这行代码来设置信息"Hello, world!"：
>>> hello = tf.constant("Hello, world!")
4：创建一个新的 TensorFlow 会话并将其分配给变量 sess：
>>> sess = tf.Session()
注意：根据您的环境，您可能会看到如下输出:
2017-06-18 16:22:45.956946: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.
...
2017-06-18 16:22:45.957404: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-18 16:22:45.957527: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.这告诉你，你有一个指令集(instruction set)，它可以继续优化，以获得更好的 TensorFlow 性能。如果你看到这个，你可以放心地忽略它并继续下面的步骤。
5：最后，输入这一行代码，打印出在之前的代码行中构建的 hello TensorFlow 会话的结果：
>>> print(sess.run(hello))
您将在控制台中看到如下输出：bHello, world!
这表明一切都正常，您可以开始使用 TensorFlow 来做一些有趣的事情。通过按下 CTRL+D 退出 Python 交互式控制台。
步骤3 — 使用 TensorFlow 进行图像识别
现在让我们使用 TensorFlow 的图像识别 API 来熟悉 TensorFlow 吧。
现在已经安装了 TensorFlow，通过运行一个简单的程序来验证一下，让我们看看 TensorFlow 的图像识别功能。
为了给图像分类，你需要训练一个模型。然后您需要编写一些代码来使用该模型。
要了解更多有关这些概念的知识，您可以看一看机器学习的介绍 (An Introduction to Machine Learning)。TensorFlow 提供了模型和示例的存储库，包括代码和用于对图像进行分类的训练模型。
1：使用 Git 将 TensorFlow 模型仓库从 GitHub 克隆到您的项目目录中：
(tensorflow-dev) $ git clone https://github.com/tensorflow/models.git
2：切换到 models/tutorials/image/imagenet 目录：
(tensorflow-dev) $ cd models/tutorials/image/imagenet
# 此目录包含 classify_image.py 文件，它使用 TensorFlow 来识别图像。
执行这条命令以运行图像分类器程序：
(tensorflow-dev) $ python classify_image.py
# 这个程序在第一次运行时会从 tensorflow.org 下载一个经过训练的模型。
# 下载该模型需要您的磁盘有 200MB 的可用空间。在本例中，我们将对预处理好的熊猫图像进行分类。
您将看到以下输出：
giant panda, panda, panda bear, coon bear, Ailuropoda melanoleuca (score = 0.89107)
indri, indris, Indri indri, Indri brevicaudatus (score = 0.00779)
lesser panda, red panda, panda, bear cat, cat bear, Ailurus fulgens (score = 0.00296)
custard apple (score = 0.00147)
earthstar (score = 0.00117)
您已经使用了 TensorFlow 的图像识别功能对您的第一个图像进行了分类。
如果您想要使用另一个图像，可以通过将-- image_file参数添加到 python3 classify_image.py 中来实现。对于这个参数，您将需要传入图像文件的绝对路径。
有关这个训练过的模型：下载链接
total 93M
-rw-r--r-- 1 Schips None 12K Dec 5 2015 LICENSE
-rw-r--r-- 1 Schips None 92M Dec 5 2015 classify_image_graph_def.pb
-rw-r--r-- 1 Schips None 2.7K Dec 1 2015 cropped_panda.jpg
-rw-r--r-- 1 Schips None 64K Nov 19 2015 imagenet_2012_challenge_label_map_proto.pbtxt
-rw-r--r-- 1 Schips None 725K Nov 19 2015 imagenet_synset_to_human_label_map.txt我们注意到，这里有一个.pd的模型文件，是经过 tf 对 模型 的 转换得到的：参考tensorflow 将训练模型保存为pd文件
最后
您已经在 Python 虚拟环境中安装了 TensorFlow，并通过运行几个示例验证了 TensorFlow 的运行情况。现在您拥有了一些工具，它们可以让您探索其他项目，包括卷积神经网络和 Word Embeddings。
TensorFlow 的开发者指南是个非常好的资源和手册。您还可以探索 Kaggle，这是一个检验机器学习概念实际应用的竞争平台，您与其他机器学习、数据科学和统计爱好者进行竞赛。
他们有一个优秀的维基主页，你可以看到和分享一些解决方案，其中一些是在统计和机器学习技术的前沿思想。
本文地址、 原文地址
从下一篇文章开始，我们使用《TensorFlow的官方手册中文版》进行有关学习
本教程的目标读者是对机器学习和 TensorFlow 都不太了解的新手。