TensorFlow 是一个由谷歌发布的机器学习框架，在这篇文章中，我们将阐述 TensorFlow 的一些本质概念。相信你不会找到比本文更简单的介绍。
TensorFlow 机器学习范例——Naked Tensor
链接：https://github.com/jostmey/NakedTensor?bare
在每个例子中，我们用一条直线拟合一些数据。使用梯度下降（gradient descent）确定最适合数据的线的斜率和 y 截距的值。如果你不知道梯度下降，请查看维基百科：
https://en.wikipedia.org/wiki/Gradient_descent
创建所需的变量后，数据和线之间的误差是可以被定义（计算）的。定义的误差被嵌入到优化器（optimizer）中。然后启动 TensorFlow，并重复调用优化器。通过不断迭代最小化误差来达到数据与直线的最佳拟合。
按照顺序阅读下列脚本：
serial.py
tensor.py
bigdata.py
Serial.py
这个脚本的目的是说明 TensorFlow 模型的基本要点。这个脚本使你更容易理解模型是如何组合在一起的。我们使用 for 循环来定义数据与线之间的误差。由于定义误差的方式为循环，该脚本以序列化（串行）计算的方式运行。
Tensor.py
这个脚本比 serial.py 更进一步，虽然实际上这个脚本的代码行更少。代码的结构与之前相同，唯一不同的是这次使用张量（tensor）操作来定义误差。使用张量可以并行（parallel）运行代码。
每个数据点被看作是来自独立同分布的样本。因为每个数据点假定是独立的，所以计算也是独立的。当使用张量时，每个数据点都在分隔的计算内核上运行。我们有 8 个数据点，所以如果你有一个有八个内核的计算机，它的运行速度应该快八倍。
BigData.py
你现在距离专业水平仅有一个流行语之遥。我们现在不需要将一条线拟合到 8 个数据点，而是将一条线拟合到 800 万个数据点。欢迎来到大数据时代。
代码中有两处主要的修改。第一点变化是簿记（bookkeeping），因为所有数据必须使用占位符（placeholder）而不是实际数据来定义误差。在代码的后半部分，数据需要通过占位符馈送（feed）入模型。第二点变化是，因为我们的数据量是巨大的，在给定的任意时间我们仅将一个样本数据传入模型。每次调用梯度下降操作时，新的数据样本将被馈送到模型中。通过对数据集进行抽样，TensorFlow 不需要一次处理整个数据集。这样抽样的效果出奇的好，并有理论支持这种方法：
https://en.wikipedia.org/wiki/Stochastic_gradient_descent
理论上需要满足一些重要的条件，如步长（step size）必须随每次迭代而缩短。不管是否满足条件，这种方法至少是有效的。
结论
当你运行脚本时，你可能看到怎样定义任何你想要的误差。它可能是一组图像和卷积神经网络（convolutional neural network）之间的误差。它可能是古典音乐和循环神经网络（recurrent neural network）之间的误差。它让你的想象力疯狂。一旦定义了误差，你就可以使用 TensorFlow 进行尝试并最小化误差。
希望你从这个教程中得到启发。
需求
Python3 (https://www.python.org/)
TensorFlow (https://www.tensorflow.org/)
NumPy (http://www.numpy.org/)
TensorFlow:保存/恢复和混合多重模型
在第一个模型成功建立并训练之后，你或许需要了解如何保存与恢复这些模型。继续之前，也可以阅读这个 Tensorflow 小入门：
https://blog.metaflow.fr/tensorflow-a-primer4b3fa0978be3#.wxlmweb8h
你有必要了解这些信息，因为了解如何保存不同级别的代码是非常重要的，这可以避免混乱无序。
如何实际保存和加载
保存（saver）对象
可以使用 Saver 对象处理不同会话（session）中任何与文件系统有持续数据传输的交互。构造函数（constructor）允许你控制以下 3 个事物：
目标（target）：在分布式架构的情况下用于处理计算。可以指定要计算的 TF 服务器或「目标」。
图（graph）：你希望会话处理的图。对于初学者来说，棘手的事情是：TF 中总存在一个默认的图，其中所有操作的设置都是默认的，所以你的操作范围总在一个「默认的图」中。
配置（config）：你可以使用 ConfigProto 配置 TF。查看本文最后的链接资源以获取更多详细信息。
Saver 可以处理图的元数据和变量数据的保存和加载（又称恢复）。它需要知道的唯一的事情是：需要使用哪个图和变量？
默认情况下，Saver 会处理默认的图及其所有包含的变量，但是你可以创建尽可能多的 Saver 来控制你想要的任何图或子图的变量。这里是一个例子：
import tensorflow as tf
import os
dir = os.path.dirname(os.path.realpath(__file__))
# First, you design your mathematical operations
# We are the default graph scope
# Let's design a variable
v1 = tf.Variable(1. , name="v1")
v2 = tf.Variable(2. , name="v2")
# Let's design an operation
a = tf.add(v1, v2)
# Let's create a Saver object
# By default, the Saver handles every Variables related to the default graph
all_saver = tf.train.Saver()
# But you can precise which vars you want to save under which name
v2_saver = tf.train.Saver({"v2": v2})
# By default the Session handles the default graph and all its included variables
with tf.Session() as sess:
# Init v and v2
sess.run(tf.global_variables_initializer())
# Now v1 holds the value 1.0 and v2 holds the value 2.0
# We can now save all those values
all_saver.save(sess, dir + '/data-all.chkp')
# or saves only v2
v2_saver.save(sess, dir + '/data-v2.chkp')
如果查看你的文件夹，它实际上每创建 3 个文件调用一次保存操作并创建一个检查点（checkpoint）文件，我会在附录中讲述更多的细节。你可以简单理解为权重被保存到 .chkp.data 文件中，你的图和元数据被保存到 .chkp.meta 文件中。
恢复操作和其它元数据
一个重要的信息是，Saver 将保存与你的图相关联的任何元数据。这意味着加载元检查点还将恢复与图相关联的所有空变量、操作和集合（例如，它将恢复训练优化器）。
当你恢复一个元检查点时，实际上是将保存的图加载到当前默认的图中。现在你可以通过它来加载任何包含的内容，如张量、操作或集合。
import tensorflow as tf
# Let's load a previously saved meta graph in the default graph
# This function returns a Saver
saver = tf.train.import_meta_graph('results/model.ckpt-1000.meta')
# We can now access the default graph where all our metadata has been loaded
graph = tf.get_default_graph()
# Finally we can retrieve tensors, operations, collections, etc.
global_step_tensor = graph.get_tensor_by_name('loss/global_step:0')
train_op = graph.get_operation_by_name('loss/train_op')
hyperparameters = tf.get_collection('hyperparameters')
恢复权重
请记住，实际的权重只存在于一个会话中。这意味着「恢复」操作必须能够访问会话以恢复图内的权重。理解恢复操作的最好方法是将其简单地当作一种初始化。
with tf.Session() as sess:
# To initialize values with saved data
saver.restore(sess, 'results/model.ckpt.data-1000-00000-of-00001')
print(sess.run(global_step_tensor)) # returns 1000
在新图中使用预训练图
现在你知道了如何保存和加载，你可能已经明白如何去操作。然而，这里有一些技巧能够帮助你走得更快。
一个图的输出可以是另一个图的输入吗？
是的，但有一个缺点：我还不知道使梯度流（gradient flow）在图之间容易传递的一种方法，因为你将必须评估第一个图，获得结果，并将其馈送到下一个图。
这样一直下去是可以的，直到你需要重新训练第一个图。在这种情况下，你将需要将输入梯度馈送到第一个图的训练步骤……
我可以在一个图中混合所有这些不同的图吗？
是的，但你需要对命名空间（namespace）倍加小心。好的一点是，这种方法简化了一切：例如，你可以加载预训练的 VGG-16，访问图中的任何节点，嵌入自己的操作和训练整个图！
如果你只想微调（fine-tune）节点，你可以在任意地方停止梯度来避免训练整个图。
import tensorflow as tf
# Load the VGG-16 model in the default graph
vgg_saver = tf.train.import_meta_graph(dir + 'gg/resultsgg-16.meta')
# Access the graph
vgg_graph = tf.get_default_graph()
# Retrieve VGG inputs
self.x_plh = vgg_graph.get_tensor_by_name('input:0')
# Choose which node you want to connect your own graph
output_conv =vgg_graph.get_tensor_by_name('conv1_2:0')
# output_conv =vgg_graph.get_tensor_by_name('conv2_2:0')
# output_conv =vgg_graph.get_tensor_by_name('conv3_3:0')
# output_conv =vgg_graph.get_tensor_by_name('conv4_3:0')
# output_conv =vgg_graph.get_tensor_by_name('conv5_3:0')
# Stop the gradient for fine-tuning
output_conv_sg = tf.stop_gradient(output_conv) # It's an identity function
# Build further operations
output_conv_shape = output_conv_sg.get_shape().as_list()
W1 = tf.get_variable('W1', shape=[1, 1, output_conv_shape[3], 32], initializer=tf.random_normal_initializer(stddev=1e-1))
b1 = tf.get_variable('b1', shape=[32], initializer=tf.constant_initializer(0.1))
z1 = tf.nn.conv2d(output_conv_sg, W1, strides=[1, 1, 1, 1], padding='SAME') + b1
a = tf.nn.relu(z1)
附录：更多关于 TF 数据生态系统的内容
我们在这里谈论谷歌，他们主要使用内部构建的工具来处理他们的工作，所以数据保存的格式为 ProtoBuff 也是不奇怪的。
协议缓冲区
协议缓冲区（Protocol Buffer/简写 Protobufs）是 TF 有效存储和传输数据的常用方式。
我不在这里详细介绍它，但可以把它当成一个更快的 JSON 格式，当你在存储/传输时需要节省空间/带宽，你可以压缩它。简而言之，你可以使用 Protobufs 作为：
一种未压缩的、人性化的文本格式，扩展名为 .pbtxt
一种压缩的、机器友好的二进制格式，扩展名为 .pb 或根本没有扩展名
这就像在开发设置中使用 JSON，并且在迁移到生产环境时为了提高效率而压缩数据一样。用 Protobufs 可以做更多的事情，如果你有兴趣可以查看教程
整洁的小技巧：在张量流中处理 protobufs 的所有操作都有这个表示「协议缓冲区定义」的「_def」后缀。例如，要加载保存的图的 protobufs，可以使用函数：tf.import_graph_def。要获取当前图作为 protobufs，可以使用：Graph.as_graph_def()。
文件的架构
回到 TF，当保存你的数据时，你会得到 5 种不同类型的文件：
「检查点」文件
「事件（event）」文件
「文本 protobufs」文件
一些「chkp」文件
一些「元 chkp」文件
现在让我们休息一下。当你想到，当你在做机器学习时可能会保存什么？你可以保存模型的架构和与其关联的学习到的权重。你可能希望在训练或事件整个训练架构时保存一些训练特征，如模型的损失（loss）和准确率（accuracy）。你可能希望保存超参数和其它操作，以便之后重新启动训练或重复实现结果。这正是 TensorFlow 的作用。
在这里，检查点文件的三种类型用于存储模型及其权重有关的压缩后数据。
检查点文件只是一个簿记文件，你可以结合使用高级辅助程序加载不同时间保存的 chkp 文件。
元 chkp 文件包含模型的压缩 Protobufs 图以及所有与之关联的元数据（集合、学习速率、操作等）。
chkp 文件保存数据（权重）本身（这一个通常是相当大的大小）。
如果你想做一些调试，pbtxt 文件只是模型的非压缩 Protobufs 图。
最后，事件文件在 TensorBoard 中存储了所有你需要用来可视化模型和训练时测量的所有数据。这与保存/恢复模型本身无关。
下面让我们看一下结果文件夹的屏幕截图：
一些随机训练的结果文件夹的屏幕截图
该模型已经在步骤 433,858,1000 被保存了 3 次。为什么这些数字看起来像随机？因为我设定每 S 秒保存一次模型，而不是每 T 次迭代后保存。
chkp 文件比元 chkp 文件更大，因为它包含我们模型的权重
pbtxt 文件比元 chkp 文件大一点：它被认为是非压缩版本！
TF 自带多个方便的帮助方法，如：
在时间和迭代中处理模型的不同检查点。它如同一个救生员，以防你的机器在训练结束前崩溃。
注意：TensorFlow 现在发展很快，这些文章目前是基于 1.0.0 版本编写的。
参考资源
http://stackoverflow.com/questions/38947658/tensorflow-saving-into-loading-a-graph-from-a-file
