老猿谈谈对Tensorflow的理解

Tensorflow 发布已经三年了，今天它是深度学习生态系统的基石。然而，老猿看来初学者理解起来并不是很简单，尤其是与 PyTorch 或 DyNet 等动态定义的神经网络库相比时。

Tensorflow 入门教程有很多，涵盖线性回归、MNIST 分类，甚至机器翻译。这些具体实用的指南可以帮助人们快速启动和运行 Tensorflow 项目，并且可以作为类似项目的切入点。然而，一些开发者在没有很好的教程参考的情况下开发应用程序，一些项目正在探索新的路线（在研究中很常见）。对于这些开发人员来说，在开始使用 Tensorflow 时很容易感到困惑。我写这篇文章是为了填补这个空白。本文没有关注具体的任务，而是提出了一种更通用的方法，并解析了 Tensorflow 的底层抽象。一旦掌握了这些概念，使用 Tensorflow 进行深度学习就会更加直观易懂。目标受众 本教程面向具有一定编程和机器学习经验并希望开始使用 TensorFlow 的从业者。他们可能是：想要在深度学习课程的最终项目中使用 Tensorflow 的 CS 学生；刚被调到深度学习项目的软件工程师；或困惑的 Google AI 新手（大声向 Jacob 打招呼）。

如果您需要开始使用基础知识，老猿的理解：TensorFlow 不是一个普通的 Python 库。大多数 Python 库都是作为 Python 的自然扩展编写的。当你导入一个库时，你得到的是一组变量、函数和类，它们补充和扩展了你的代码“工具箱”。使用这些库时，您知道它们会产生什么。我认为在谈论 Tensorflow 时，是时候抛开这些看法了，这些看法与 Tensorflow 的理念根本不一致，也不能反映 TF 与其他代码交互的方式。 Python 和 Tensorflow 的关系可以比作 Javascript 和 HTML 的关系。 Javascript是一种功能齐全的编程语言，可以实现各种很棒的效果。 HTML 是一个框架，用于表示某种类型的实际计算抽象（在这种情况下，可以由 Web 浏览器呈现的内容）。 Javascript 在交互式网页中的作用是组装浏览器看到的 HTML 对象，然后在需要时通过将其更新为新的 HTML 来与之交互。与 HTML 类似，Tensorflow 是一个框架，用于表示某种类型的计算抽象，称为“计算图”。

当我们在 Python 中操作 TensorFlow 时，我们对 Python 代码做的第一件事就是组装计算图。之后我们的第二个任务是与之交互（使用 Tensorflow 的“会话”）。但重要的是要记住计算图不在变量内部，而是在全局命名空间中。莎士比亚曾经说过：“所有的 RAM 都是一个舞台，所有的变量都不过是指针。”