本文由@ray 出品，轉載請註明出處。
文章鏈接：
http://blog.csdn.net/wz22881916/article/details/78495543
在學習了一段時間臺大李宏毅關於deep learning的課程，以及一些其他機器學習的書之後，終於打算開始動手進行一些實踐了。
感覺保完研之後散養狀態下，學習效率太低了，於是便想白天學習，晚上對白天學習的知識做一些總結和記錄，如果有不妥的地方，歡迎大家批評指教，共同進步。
一、深度學習框架的選擇
隨着深度學習日趨火熱，技術的逐漸興起，各種深度學習框架也層出不窮。
目前使用普遍的框架有Tensorflow、Caffe、PyTorch、Theano、CNTK等，那麼在這麼多框架中該如何選擇呢？
筆者作爲一個初學者，架不住Tensorflow的名氣之大，所以最開始便選擇了Tensorflow。當然不僅僅只是因爲名氣大，Tensorflow作爲谷歌主持的開源項目，它的社區熱度目前看來是旺盛的，而且現在也最爲流行。聽說，它是在谷歌總結了DistBelief的經驗教訓上形成的；它運行高效、可擴展性強，可以運行在手機、普通電腦、計算機羣上。
下面再簡單介紹一下其他深度學習框架的特點：
（1） Caffe：卷積神經網絡框架，專注於卷積神經網絡和圖像處理，因爲是基於C++語言，所以執行速度非常的快。
（2） PyTorch：動態computation graph！！！（筆者學習Tensorflow一段後，便會轉學PyTorch試試看）
（3） Theano：因其定義複雜模型很容易，在研究中比較流行。
（4） CNTK：微軟開發的，微軟稱其在語音和圖像識別方面比其他框架更有優勢。不過代碼只支持C++.
Tensorflow的一些特性就不再說了，網絡上相關資料也有很多。
下面就介紹一下Tensorflow的安裝，筆者的安裝順序是首先安裝Anaconda、然後安裝Tensorflow、再安裝Pycharm。
二、安裝Anaconda
安裝環境：
雖然筆者用的是mac，自帶了Python，但是還是先安裝了Anaconda（點擊進入官網）。因爲它集成了很多Python的第三方庫，而且可以方便的管理不同版本的Python，在不同版本的Python之間切換。而且Anaconda是一個科學計算環境，在電腦上安裝完Anaconda之後，除了相當於安裝了Python，也安裝好了一些常用的庫。
筆者安裝的是Python 2.7版的Anaconda，在安裝好Anaconda之後，就已經安裝好了Python和一些常用的庫了。此外，還自動安裝了Spyder。
Spyder是Python一個簡單的集成開發環境，和其他的Python開發環境相比，它最大的優點就是模仿MATLAB的“工作空間”的功能，可以很方便地觀察和修改數組的值。
在終端中輸入Spyder就可以打開它了，如下圖所示：
但是筆者更喜歡使用Pycharm作爲開發環境
三、建立、激活、安裝Tensorflow
打開終端，在上面輸入：
conda create -n tensorflow python=2.7
然後等執行完畢之後，再執行：
source activate tensorflow至此就激活了運行環境。
然後再執行pip install tensorflow以進行Tensorflow的安裝。
然後再執行以下Hello Tensorflow代碼測試Tensorflow是否安裝成
import tensorflow as tf
hello = tf.constant('Hello Tensorflow!')
sess = tf.Session()
print(sess.run(hello))
a = tf.constant(10)
b = tf.constant(32)
printf(sess.run(a+b))如果正常的話會提示：
Hello Tensorflow!
42四、PyCharm IDE
一直使用終端開發的話，實在是太過難用了。筆者選擇了PyCharm作爲開發環境，官網鏈接。這裏筆者用的是社區版（free）。
（1）首先新建一個Pycharm的工程
因爲是做Tensorflow的開發，所以這裏我們只需要選擇圖中所示的interpreter即可。
~/anaconda2/envs/tensorflow/bin/python
這樣就把Tensorflow環境包括了進來，超級方便。
如果平時開發，想用一些輕量級的環境，就選擇其他Python解釋器就可以了。
（2）運行一個demo進行測試
import tensorflow as tf
hello = tf.constant('Hello, Tensorflow!')
sess = tf.Session()
print(sess.run(hello))
a = tf.constant(66)
b = tf.constant(88)
print(sess.run(a + b))
如果出現以下提示，就說明成功了，可以開始接下來的學習了~
Hello, Tensorflow!
154五、總結
至此，我們便在機器上安裝好了Tensorflow以及其開發環境。
總的來說，只需要以下幾步：
- 安裝Anaconda
- 通過conda建立Tensorflow運行環境
- 激活Tensorflow運行環境
- 安裝Pycharm IDE
