机器学习，人工智能往后肯定是一个趋势，现阶段有必要研究一两个人工智能的工具，以免自己技术落伍，其中tensorflow就是一个很不错的项目，有谷歌开发后开源，下面开始学习安装和使用

安装篇：

很不幸，源代码和pip的源都是在谷歌托管，连tensorflow官网都是，所以国内访问不了，很悲剧。但是通过docker可以轻松安装，又不用*。

docker pull tensorflow/tensorflow

下载tensorflow镜像。

docker run -dit -p 8888:8888 --name tensorflow tensorflow/tensorflow

启动tensorflow容器。

如果没有防火墙的话，现在用浏览器访问docker所在服务器地址的8888端口就可以看到jupyter界面了。(jupyter可以认为是一个python的网页版IDE，方便使用)

http://xxx.xxx.xxx.xxx:8888

为了安全，jupyter默认设置了token验证，可以通过

docker logs tensorflow

查看token。每还一个浏览器或者电脑，都需要输入新的token， 如果有人感觉使用不方便，可以给jupyter设置一个密码，设置方式如下：

1，进入tensorflow容器

docker exec -it tensorflow /bin/bash

2，运行

jupyter notebook password

3， 根据提示两次输入密码

4， 重启tensorflow容器

docker restart tensorflow

二，第一个tensorflow程序

tensorflow的入门程序是识别手写数字，就跟其他程序的helloword一样。

详细工作原理，见这个帖子

http://wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/mnist_beginners.html

代码实现：

from tensorflow.examples.tutorials.mnist import input_data

import tensorflow as tf

#引入mnist的数据

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

#设置一个数组元素为32位浮点数、未知数*784的数组占位符X

x = tf.placeholder(tf.float32, [None, 784])

#设置一个默认值为0的784*10的数组变量

w = tf.Variable(tf.zeros([784,10]))

#设置一个默认值为0的1*10的数组变量

b = tf.Variable(tf.zeros([10]))

#根据公式生成表达式

y = tf.nn.softmax(tf.matmul(x,w) + b)

#设置一个浮点数，未知数*10的数组占位符y_

y_ = tf.placeholder("float", [None,10])

#根据公式设置表达式

cross_entropy = -tf.reduce_sum(y_*tf.log(y))

#设置训练方式

train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

#初始化变量

init = tf.initialize_all_variables()

#生成执行session

sess = tf.Session()

#运行变量初始化

sess.run(init)

#执行1000次训练，每次从mnist库中拿出100个数进行训练

for i in range(10000):

    batch_xs, batch_ys = mnist.train.next_batch(100)

    sess.run(train_step, feed_dict={x: batch_xs, y_:batch_ys})

#

correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

print sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})

结果为：

Extracting MNIST_data/train-images-idx3-ubyte.gz

Extracting MNIST_data/train-labels-idx1-ubyte.gz

Extracting MNIST_data/t10k-images-idx3-ubyte.gz

Extracting MNIST_data/t10k-labels-idx1-ubyte.gz

0.9215

如果出现这个错误

Temporary failure in name resolution

那么很不幸，意味着mnist这个库下载不下来，这个库也是要访问谷歌，只能通过vpn或者国外服务器测试了。