机器学习笔记3-Tensorflow简介
前言
前面两篇主要写了一些机器学习的基础概念，从本篇开始咱们来了解下深度学习。深度学习是机器学习的一个子集，是一种特殊的数学模型。一样是从输入到输出，深度学习在这二者之间会有不少层称为“隐层”（Hidden Layers）的层，每一层将会将输入内容进行计算并自我调节，最终获得合理模型，这种数学模型很是像人类目前对大脑工做原理的认知，因此也称之为“人工神经网络”。
html
如今市面上有数十种深度学习框架：Wiki传送门。一个个学过来确定精力不够，那咱们就学综合评分最高的那个：Tensorflow。node
Tensorflow是由Google团队在2015年11月9日以Apache 2.0开源许可证开源的，但刚发布的版本有诸多缺陷：bug比较多、性能比较差、使用难度比较高。在2017年2月16日，Google宣布Tensorflow 1.0正式发布，该版本适用于工业生产场景。因此在该版本发布以后，对深度学习领域产生了极大的影响，其大大简化了编写深度学习的代码难度，而且在Google这面大旗下，被各类专业人员以及机器学习爱好者所推崇（截止2018年1月9日，Tensorflow在Github上已经有7193个Watch，85038个Star和41555个Fork）。
Tensorflow在短短发布后的一年不到的时间里，已经跃居为综合排名第一的深度学习框架。为何会如此火爆呢？我我的猜想理由以下：python
深度学习目前是大趋势（因此得抓紧学习，抓住机遇）git
Google的技术实力太强大，开源过不少项目都很是成功（好比
Android），因此跟着Google走可能不会让咱们失望github接口丰富易用且支持多种语言（底层是C++实现的，这里指的是客户端调用底层API的语言），如Python、C++、Java、Goweb
易于部署，包括分布式部署算法
本机安装Tensorflow
若是你的电脑性能还不错，能够考虑直接在本机安装Tensorflow（官方安装文档传送门），优先考虑使用Anaconda来安装，按照官方教程一步步执行便可。windows
安装以后，须要在Pycharm中执行Tensorflow的代码，咱们这里先用简单的输出常量的代码为例（此代码也是后文中demo1.py中的代码）：服务器
import tensorflow as tf node1 = tf.constant(3.0, dtype=tf.float32) node2 = tf.constant(4.0) # also tf.float32 implicitly print(node1, node2) sess = tf.Session() print(sess.run([node1, node2]))
常见错误汇总
执行代码的时候，你可能会遇到不少错误，我这里整理了一份我在此过程当中遇到的错误以及对应的解决方案供你们参考：网络
| 错误提示 | 解决方案 |
|---|---|
| Anaconda installation is not found | https://stackoverflow.com/questions/47624777/pycharm-anaconda-installation-is-not-found |
| ImportError: Could not find 'cudart64_80.dll'. TensorFlow requires that this DLL be installed in a directory that is named in your %PATH% environment variable. | 因为目前Tensorflow是创建在CUDA 8.0之上的，而NVIDIA官网上默认是下载CUDA最新版本的（好比目前是9.0），因此须要打开以下页面： https://developer.nvidia.com/cuda-downloads 在页面的最下面找到Lagacy Releases并下载CUDA 8.0 |
| ImportError: Could not find 'cudnn64_6.dll'. TensorFlow requires that this DLL be installed in a directory that is named in your %PATH% environment variable. Note that installing cuDNN is a separate step from installing CUDA, and this DLL is often found in a different directory from the CUDA DLLs. You may install the necessary DLL by downloading cuDNN 6 from this URL: https://developer.nvidia.com/cudnn | 注册一个NVEDIA的开发者帐号，而后下载cudnn64 for cuda8 on windows。 下载下来的文件解压以后，放到cuda目录下对应的地方（cuda好比是在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0） |
解决了全部问题以后，若是看到如下输出内容，就表示能正常运行Tensorflow了：
Tensor("Const:0", shape=(), dtype=float32) Tensor("Const_1:0", shape=(), dtype=float32)
2018-01-09 16:48:59.940050: I C:\tf_jenkins\home\workspace\rel-win\M\windows\PY\36\tensorflow\core\platform\cpu_feature_guard.cc:137] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2
[3.0, 4.0]
Process finished with exit code 0
使用阿里云PAI来实验Tensorflow
概述
由于机器学习的过程很是耗性能，若是在一个比较大的数据集上进行学习，本机CPU使用就会达到99%，并且要持续好久，这个时候就没法干点别的事了。很幸运，阿里云提供了机器学习平台PAI（Platform for Artificial Intelligence），里面集成了不少主流的算法以及Tensorflow的不一样版本（目前是1.0、1.一、1.2），并且目前公测阶段也能够开启2个GPU来加快执行。
PAI的优点有：
不须要本地繁琐的安装和解决各类安装坑
能够调用云服务器资源，比起本地性能更好
不影响、阻塞本机其余程序的使用，开始执行以后等着执行完毕便可
算法、组件都是现成的，并且能够用拖拽的方式编排算法，很是方便、傻瓜化，咱们惟一要作的就是提供数据和编写核心执行脚本
现成的机器学习案例以及相关文档，能够快速从别人的经验中来帮助本身理解机器学习
将实验直接共享到社区
公测阶段免费
操做概览
开通PAI的过程并不复杂，大体步骤以下：
首先你要有一个阿里云帐号
在阿里云后台进入
大数据（数加）->机器学习菜单建立一个项目，如：
my_project_name在项目管理页面，勾选
my_project_name的开启GPU选项为了方便上传本地资源到PAI，建议安装
OSS-Browser工具，下载地址： https://help.aliyun.com/document_detail/61872.html?spm=5176.doc31886.2.5.qwodVb （以阿里云后台最新下载地址为准），若是是少许文件上传的话，使用web版OSS文件管理系统来管理文件也能够（本例中咱们直接使用web版）
PS:开启GPU选项示意图：
目前公测阶段虽然PAI自己是免费的，可是OSS是收费的，好在费用很低，仅做学习用的话，一天最多几分钱。
详细实验步骤
在OSS中建立测试目录
tensorflowtest：
进入
tensorflowtest目录并上传脚本文件demo1.py（内容详见“本机安装Tensorflow”一节）：
进入
PAI后台首页，建立空白实验tensorflowdemo：
在空白实验中加入
读OSS Bucket组件和TensorFlow(V1.2)组件，并选中Tensorflow节点，在右侧的参数设置中，将Python代码参数选为咱们在步骤一、2中上传的demo1.py文件：
点击屏幕最下方的
运行按钮执行实验：
本例中读OSS Bucket组件并无什么用，因为PAI实验中必需要数据源节点，所以添加空的读OSS Bucket组件做为数据源，所以在执行实验的时候，阿里云将检测并提示当前实验室做业实验，将会在24小时内删除。
查看执行结果
在实验运行后，每一个节点右侧出现一个绿色的勾，表示已正确执行完毕，此时右键该节点，选择
查看日志选项：
在“查看日志”弹出框中，滚动到中间的位置，找到 http://logview.odps.aliyun.com 的连接，如图位置：
鼠标左键点击进入以后，点击下图中红色框中的
detail图标：
在弹出的Log Detail页面上，按下图中的一、二、3顺序依次点击：
在弹出的
Logview[Stdout]页面上，能够最终看到脚本的实际输出内容，与在本地IDE中的输出一致：
结语
我已经用两种不一样的方式，执行了第一个基于Tensorflow的demo，这个demo目前跟深度学习还彻底搭不上边，只是能成功运行Tensorflow而已，后续的博文中，我将进一步深刻研究。