手把手教你配置Tensorflow开发环境（一）-五分钟带你完全理解Tensorflow

手把手教你配置Linux深度学习服务器-不用本地安装！

1. 杂话

 这是一篇科普贴， 具体的安装教程在这里手把手教你配置Tensorflow开发环境（二）-十分钟配置本地Tensorflow, CUDA, cuDNN

 Pytorch版本的在这里手把手教你配置Pytorch开发环境-十分钟配置本地Pytorch, CUDA, cuDNN

2. Tensorflow到底是什么东西？

 Tensorflow简单来说，其实就是python语言的一个函数库，就和numpy, pandas, matplotlib等等都是一样的，那么这个函数库到底有什么特殊的，可以让它这么出名呢？

 答案就是 它是一个专门针对机器学习所涉及的库，所以也被叫做机器学习的框架。也就是说，通过使用Tensorflow这个库，我们可以很轻易的构建一些很复杂的机器学习中的模型，那么关于Tensorflow的优点呢，我来简单举几个例子：

2.1 张量

 首先，在Tensorflow中，有一种叫做张量(Tensor)的数据类型。张量，简单来说也就是高维向量，在Tensorflow的函数内部，很多地方都是通过这种叫做张量的东西来进行计算和传递的，这也是Tensorflow名字的由来之一， Tensor~flow (也就是张量流)嘛。

 那么，为什么这种叫张量的东西就好呢？这是因为，对于python这种语言来说，向量化的计算要比正常的计算方式要快很多，而很多时候，这种快甚至能达到十几乃至几十倍的速度差距。

 想要具体了解的小伙伴可以看这篇帖子：超强Python『向量化』数据处理提速攻略
 我在这里简单引用一下其中的图片：

 那么，向量化为什么快呢？为什么可以比循环快上这么多呢？

 这是一个好问题，简单来说，向量化就是在做一种叫做并行计算的事情

 什么意思呢，假设我想要计算两个向量的外积，如果我用循环来写，那么其实我是在一个一个位置的计算结果的数值对吧。

 那么，在这种情况下，如果我们可以同时计算这两个数值，甚至于，我们可以同时计算矩阵中所有位置的结果，而不是一个一个的轮流计算，那不就大大的提升了我们的计算速度了吗？

 我来举个例子：
 这是两个向量的外积，我们可以看到结果矩阵的各个位置的数值之间，完全是可以分开计算的

2.2 GPU加速

 那么，如果我们已经理解了向量化的优势，我们可以再来说说Tensorflow的另一个特点。

 咱们都知道，在咱们的电脑中，有着两个硬件，分别叫做CPU和GPU，也就是中央处理器和图像处理器（也就是咱们常说的显卡）。

 那么，这两个东西有什么区别呢，来，请看下面这张图

 这里面，绿色的小方块，也就是ALU，中文名叫做算数逻辑单元，简单来说就是用来计算的。

 那么，根据这张图呢，我们可以这么理解，CPU里面，有好几个高级小学生，可以算很复杂的数学问题，算的速度也很快，但是人很少。GPU里面有很多普通小学生，算的速度会稍微慢一些，虽然它们人多，人特别多，超级多。

 那么这也就导致了一个问题，在很多时候，我们知道对于机器学习的模型来讲，比如矩阵相乘，其实并不是很复杂的计算，而更多的是加减乘除这些基础运算。

 所以在这个时候，如果我们用这些高级小学生来算的话，很明显就没有用这些普通小学生算的快。打个比方就是，找一个大学生和一百个小学生来写口算题卡，很明显小学生这队会写的比较快。

 在我们的电脑内部，比如说是英伟达的显卡，则会有名为CUDA的驱动程序来专门进行这种在GPU上的加速，而Tensorflow本身又很好的提供了对于CUDA的支持，这也就导致了我们在使用Tensorflow的时候，可以极大的利用到我们GPU上这种对于机器学习模型计算加速的优势。

3. 关于反向传播

 这一点虽然并不像上面两点那么有代表性，但也值得一说。

 简单来说，大家都知道，对于神经网络的优化，BP算法有着很大的作用，而BP算法的一大核心就是 反向传播！

 相比很多小伙伴在编程的初期都深受其害，我们到底要怎么实现反向传播这种看上去就超级麻烦的玩意呢？？

 好消息就是，对于类似Tensorflow这类的机器学习框架来讲，反向传播是自动实现的，只需要简简单单的几行代码就可以了：

# 那肯定不会写在这里呀
# 以后有机会应该会完整的写一下tf的教程吧

# 算了，简单举个例子就是大概这样：

# 。。。。
# 果然还是想不好举什么例子
# 下次，下次Pytorch的一定

 那么以上就是Tensorflow的简单介绍了
 你
 了解了吗？

 那么关于具体的安装流程，请参加下一期：
 手把手教你配置Tensorflow开发环境（二）-十分钟配置本地Tensorflow, CUDA, cuDNN

 照这个教程装不好，你来找我