本章的目的是讓你了解和運行 TensorFlow!

在開始之前, 讓我們先看一段使用 Python API 撰寫的 TensorFlow 示例代碼, 讓你對將要學(xué)習(xí)的內(nèi)容有初步的印象.

這段很短的 Python 程序生成了一些三維數(shù)據(jù), 然后用一個平面擬合它.

import tensorflow as tf
import numpy as np

# 使用 NumPy 生成假數(shù)據(jù)(phony data), 總共 100 個點.
x_data = np.float32(np.random.rand(2, 100)) # 隨機輸入
y_data = np.dot([0.100, 0.200], x_data) + 0.300

# 構(gòu)造一個線性模型
# 
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b

# 最小化方差
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

# 初始化變量
init = tf.initialize_all_variables()

# 啟動圖 (graph)
sess = tf.Session()
sess.run(init)

# 擬合平面
for step in xrange(0, 201):
    sess.run(train)
    if step % 20 == 0:
        print step, sess.run(W), sess.run(b)

# 得到最佳擬合結(jié)果 W: [[0.100  0.200]], b: [0.300]

為了進(jìn)一步激發(fā)你的學(xué)習(xí)欲望, 我們想讓你先看一下 TensorFlow 是如何解決一個經(jīng)典的機器 學(xué)習(xí)問題的. 在神經(jīng)網(wǎng)絡(luò)領(lǐng)域, 最為經(jīng)典的問題莫過于 MNIST 手寫數(shù)字分類問題. 我們準(zhǔn)備了 兩篇不同的教程, 分別面向機器學(xué)習(xí)領(lǐng)域的初學(xué)者和專家. 如果你已經(jīng)使用其它軟件訓(xùn)練過許多 MNIST 模型, 請閱讀高級教程 (紅色藥丸鏈接). 如果你以前從未聽說過 MNIST, 請閱讀初級教程 (藍(lán)色藥丸鏈接). 如果你的水平介于這兩類人之間, 我們建議你先快速瀏覽初級教程, 然后再閱讀高級教程.

圖片由 CC BY-SA 4.0 授權(quán); 原作者 W. Carter

如果你已經(jīng)下定決心, 準(zhǔn)備學(xué)習(xí)和安裝 TensorFlow, 你可以略過這些文字, 直接閱讀 后面的章節(jié). 不用擔(dān)心, 你仍然會看到 MNIST -- 在闡述 TensorFlow 的特性時, 我們還會使用 MNIST 作為一個樣例.

推薦隨后閱讀:

• 下載與安裝
• 基本使用
• TensorFlow 技術(shù)指南

原文：Introduction 翻譯：@doc001 校對：@yangtze