一、TensorFlow概要
什么是TensorFlow？
TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，是一个采用数据流图（data flow graphs），用于数值计算的开源的机器学习库。
Tensorflow的命名来源于本身的运行原理：Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，数据流图中的图就是我们所说的有向图。在图这种数据结构中包含两种基本元素：节点和边。这两种元素在数据流图中有自己各自的作用：节点用来表示要进行的数学操作，任何一种操作都有输入\输出,因此它也可以表示数据的输入的起点\输出的终点；边表示节点与节点之间的输入\输出关系，一种特殊类型的数据沿着这些边传递。这种特殊类型的数据在TensorFlow被称之为tensor，即张量，所谓的张量通俗点说就是多维数组。当我们向这种图中输入张量后，节点所代表的操作就会被分配到计算设备完成计算。TensorFlow就是张量从流图的一端流动到另一端的计算过程。
下面这张图可以帮我们了解Tensorflow的基本工作流程：
为什么要用TensorFlow？
TensorFlow既是一个实现机器学习算法的接口，同时也是执行机器学习算法的框架。它前端支持Python、C++、Go、Java等多种开发语言，后端使用C++、CUDA等写成。TensorFlow实现的算法可以在众多异构的系统上方便地移植，如Android、iPhone、CPU服务器，乃至大规模的GPU集群。除了执行深度学习算法，TensorFlow还可以用来实现很多其他算法，包括线性回归、逻辑回归、随机森林等。TensorFlow建立的大规模深度学习模型的应用场景也非常广，包括语音识别、自然语言处理、计算机视觉、机器人控制、信息抽取、药物研发、分子活动预测等，使用TensorFlow开发的模型也在这些领域获得了最前沿的成果。
TensorFlow有哪些特性？
· 灵活性：非严格的“神经网络”库。这意味着我们的计算只要能够表示为数据流图，就能够使用。
· 可移植性：底层核心采用C++便宜，可以运行在台式机、服务器、手机移动等设备上提供对分布式的支持，能够快速构建深度学习集群。
· 多语言支持：前端支持Python、C/C++、Java以及Go，以及非官方支持的Scala，但是目前对Python接口支持最好。
· 高效：提供对线程、队列、异步操作支持，同时支持运行在CPU和GPU上，能够充分发挥硬件潜力。
二、TensorFlow环境搭建(CPU)
基于Windows 10系统
1、 首先，我们需要安装python（Python 3以上的版本均可）。去官方网站https://www.python.org/downloads/下载安装包，打开
在最下面的两个勾选框中建议勾选第二行，这样在安装的过程中可以自动配置好环境变量。
选择 Install Now
出现Setup was successful这个界面就说明python已经在你的电脑上安装成功啦。
2、 接下来安装Tensorflow及其相关组件
右键开始菜单，打开命令提示符（管理员），在命令行中输入pip install tensorflow
注意：使用命令行安装需要确保你使用的网络能够访问谷歌的相关网站（俗话说的“翻墙”），否则会出现连接失败的情况。
出现以上界面时，Tensorflow就已经安装成功，我们就可以对Tensorflow进行测试了。
3、 打开命令提示行（管理员），输入python
然后输入以下代码：
>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))
>>> a = tf.constant(10)
>>> b = tf.constant(32)
>>> print(sess.run(a+b))
会出现如下结果：
这样TensorFlow的环境就搭建好了。
基于ubuntu系统
因为ubuntu是自带python和pip的，所以通过pip的安装方式极为简单。右键打开终端输入指令：pip3 install tensorflow 即可安装成功。
测试界面如下：
这里有几点需要说明的地方：
1、 以上的安装方法安装的是TensorFlow的CPU版本，GPU版本需要另外安装CUDA与cuDNN，并且在安装前需要确认你的显卡是否支持CUDA。
2、 TensorFlow有其他的安装方法，上述安装方法是笔者认为最简洁的一种。在这里推荐另外两种安装方法供大家参考：基于Anaconda的安装方法（http://blog.csdn.net/qq_36068028/article/details/79398203）、基于Docker的安装方法（http://blog.csdn.net/ixuhangyi/article/details/52291716）。
3、 推荐两款Python的IDE：PyCharm、Spyder。
TensorFlow简单应用——object detection（目标检测）
图像识别是近几年机器学习领域研究的比较热门的一个专题，TensorFlow API中提供了功能强大的识别图像和视频内物体的样例。这个API使用COCO数据集(http://mscoco.org/)训练出来的，其中COCO数据集是一个大约有30万张图像、90种最常见物体的数据集。API中提供了5种不同的模型，使用者可以通过设置不同检测边界范围来平衡运行速度和准确率。下面告诉大家如何运行这个模型。
1、 去Github(https://github.com/tensorflow/models)上下载TensorFlow的源代码
2、 安装需要调用的第三方依赖项：pillow、lxml、matplotlib、comtypes等
3、 在https://github.com/google/protobuf/releases下载protoc-3.5.1-win32.zip，解压后双击protoc.exe安装，并为其配置环境变量
4、 输入以下指令安装Jupyter Notebook
python -m pip install--upgrade pip
python -m pip installjupyter
5、 解压之前下载好的models-master，找到object_detection/protos文件夹，运行指令：protoc --python_out=./ xxx.proto，生成对应的.py文件
6、 用下列方式打开Jupyter Notebook
7、 在弹出的网页中找到object_detection_tutorial.ipynb，在新标签页中打开，点击Cell——Run All，即可运行成功
结语
在深度学习十分火爆的今天，TensorFlow的活跃程度要远远超过Caffe、MXNet等其他主流的深度学习开源工具。本篇推送主要介绍了TensorFlow及其运行原理、环境搭建以及TensorFlow Models的简单应用，希望对大家入门TensorFlow有所帮助。