原文地址：
Google 最近开源了它的第二代人工智能与数值计算库TensorFlow。TensorFlow由Google大脑团队开发，并且能够灵活地运行在多个平台上——包括GPU平台与移动设备中。
TensorFlow的核心就是使用所谓的数据流，可以参考Wikipedia上的有关于 的相关知识，譬如：
正如你理解的，整个以树状图的架构来表示整个计算流。每个节点即代表一个操作，TensorFlow称作OPS，即operations的缩写。非叶子节点还是很好理解的，一些叶子节点可以是特殊的操作类型，譬如返回一个常量值(譬如上述树中的7或者2.2)。其他的一些叶子节点，譬如X或者Y这样的，被当做placeholders，即会在运行中被动态地注入值。如果仔细观察上图中的箭头的指向，可以发现这些箭头指向就表明了不同节点之间输出的依赖关系。因此，Data(在TensorFlow中被称为Tensors)，会在不同的节点之间逆向流动，这就就是他们被称为TensorFlow的原因。TensorFlow也提供了其他的基于图像抽象的组件，譬如持久化的数据存储(被称为Variables)，以及在譬如神经网络这样的应用中对于Variables中的参数微调而进行的优化手段。
TensorFlow提供了非常有好的Python的接口，在看本篇文章之前建议阅读以下：
1.或者笔者的
2.参阅 来对TensorFlow的代码风格有一个模糊的认识。
3.接下来 会阐述TensorFlow中的基础的组件。
4.参考 来看看TensorFlow是怎么解决常见的ML问题的。
5.在了解上述的基本知识后，可以阅读这个接口文档来作为开发中的参考。
接下来，我会以用TensorFlow来解决常见的K-Means问题作为例子来阐述如何使用它。
import tensorflow as tffrom random import choice, shufflefrom numpy import array def TFKMeansCluster(vectors, noofclusters): """ K-Means Clustering using TensorFlow. `vertors`应该是一个n*k的二维的NumPy的数组，其中n代表着K维向量的数目 'noofclusters' 代表了待分的集群的数目，是一个整型值 """ noofclusters = int(noofclusters) assert noofclusters < len(vectors) #找出每个向量的维度 dim = len(vectors[0]) #辅助随机地从可得的向量中选取中心点 vector_indices = list(range(len(vectors))) shuffle(vector_indices) #计算图 #我们创建了一个默认的计算流的图用于整个算法中，这样就保证了当函数被多次调用 #时，默认的图并不会被从上一次调用时留下的未使用的OPS或者Variables挤满 graph = tf.Graph() with graph.as_default(): #计算的会话 sess = tf.Session() ##构建基本的计算的元素 ##首先我们需要保证每个中心点都会存在一个Variable矩阵 ##从现有的点集合中抽取出一部分作为默认的中心点 centroids = [tf.Variable((vectors[vector_indices[i]])) for i in range(noofclusters)] ##创建一个placeholder用于存放各个中心点可能的分类的情况 centroid_value = tf.placeholder("float64", [dim]) cent_assigns = [] for centroid in centroids: cent_assigns.append(tf.assign(centroid, centroid_value)) ##对于每个独立向量的分属的类别设置为默认值0 assignments = [tf.Variable(0) for i in range(len(vectors))] ##这些节点在后续的操作中会被分配到合适的值 assignment_value = tf.placeholder("int32") cluster_assigns = [] for assignment in assignments: cluster_assigns.append(tf.assign(assignment, assignment_value)) ##下面创建用于计算平均值的操作节点 #输入的placeholder mean_input = tf.placeholder("float", [None, dim]) #节点/OP接受输入，并且计算0维度的平均值，譬如输入的向量列表 mean_op = tf.reduce_mean(mean_input, 0) ##用于计算欧几里得距离的节点 v1 = tf.placeholder("float", [dim]) v2 = tf.placeholder("float", [dim]) euclid_dist = tf.sqrt(tf.reduce_sum(tf.pow(tf.sub( v1, v2), 2))) ##这个OP会决定应该将向量归属到哪个节点 ##基于向量到中心点的欧几里得距离 #Placeholder for input centroid_distances = tf.placeholder("float", [noofclusters]) cluster_assignment = tf.argmin(centroid_distances, 0) ##初始化所有的状态值 ##这会帮助初始化图中定义的所有Variables。Variable-initializer应该定 ##义在所有的Variables被构造之后，这样所有的Variables才会被纳入初始化 init_op = tf.initialize_all_variables() #初始化所有的变量 sess.run(init_op) ##集群遍历 #接下来在K-Means聚类迭代中使用最大期望算法。为了简单起见，只让它执行固 #定的次数，而不设置一个终止条件 noofiterations = 100 for iteration_n in range(noofiterations): ##期望步骤 ##基于上次迭代后算出的中心点的未知 ##the _expected_ centroid assignments. #首先遍历所有的向量 for vector_n in range(len(vectors)): vect = vectors[vector_n] #计算给定向量与分配的中心节点之间的欧几里得距离 distances = [sess.run(euclid_dist, feed_dict={ v1: vect, v2: sess.run(centroid)}) for centroid in centroids] #下面可以使用集群分配操作，将上述的距离当做输入 assignment = sess.run(cluster_assignment, feed_dict = { centroid_distances: distances}) #接下来为每个向量分配合适的值 sess.run(cluster_assigns[vector_n], feed_dict={ assignment_value: assignment}) ##最大化的步骤 #基于上述的期望步骤，计算每个新的中心点的距离从而使集群内的平方和最小 for cluster_n in range(noofclusters): #收集所有分配给该集群的向量 assigned_vects = [vectors[i] for i in range(len(vectors)) if sess.run(assignments[i]) == cluster_n] #计算新的集群中心点 new_location = sess.run(mean_op, feed_dict={ mean_input: array(assigned_vects)}) #为每个向量分配合适的中心点 sess.run(cent_assigns[cluster_n], feed_dict={ centroid_value: new_location}) #返回中心节点和分组 centroids = sess.run(centroids) assignments = sess.run(assignments) return centroids, assignments 需要注意的是，如果
for i in range(100): x = sess.run(tf.assign(variable1, placeholder))
像上面那样看似无害地在每次执行的时候创建一个新的OP（譬如tf.assign或者tf.zeros这样的），这样会一定的影响性能。作为替代的，你应该为每个任务定义一个特定的OP，然后在循环中调用这个OP。可以使用len(graph.get_operations())这个方法来检测是否有冗余的非必需的OPs。准确来说，sess.run应该是在迭代中唯一会与graph产生交互的方法。在上述代码的138~139行中可以看出，一系列的ops/Variables可以组合在sess.run中使用。