欢迎大家前往腾讯云+社区，获取更多腾讯海量技术实践干货哦~
介绍
TensorFlow 是一款由Google构建的用于训练神经网络的开源机器学习软件。TensorFlow的神经网络以有状态数据流图的形式表示。图中的每个节点表示神经网络在多维阵列上执行的操作。这些多维数组通常称为“张量”，因此称为TensorFlow。
TensorFlow架构允许在台式机，服务器或移动设备中的多个CPU或GPU上进行部署。还有与 Nvidia 的并行计算平台 CUDA 集成的扩展。这使得在GPU上部署的用户可以直接访问并行计算任务所需的虚拟指令集和GPU的其他元素。
在本教程中，您将安装TensorFlow的“仅CPU支持”版本。此安装非常适合TensorFlow初学者，CPU版本不需要Nvidia显卡。
您可以通过多种方式安装TensorFlow。每种方法都有不同的用例和开发环境：
- Python和Virtualenv ：在这种方法中，您可以安装TensorFlow以及在Python虚拟环境中使用TensorFlow所需的所有软件包。这将您的TensorFlow环境与同一台机器上的其他Python程序隔离开来。
- Native pip ：在此方法中，您在全局系统上安装TensorFlow。对于想要在多用户系统上为每个人提供TensorFlow的人，建议使用此方法。此安装方法不会在包含的环境中隔离TensorFlow，并且可能会干扰其他Python安装或库。
- Docker ：Docker是一个容器运行时环境，它将其内容与系统上预先存在的包完全隔离。在此方法中，您使用包含TensorFlow及其所有依赖项的Docker容器。此方法非常适合将TensorFlow合并到已使用Docker的更大应用程序体系结构中。但是，Docker镜像的大小会非常大。
在本教程中，您将在Python虚拟环境
virtualenv
中安装TensorFlow。这种方法隔离了TensorFlow安装并快速启动和运行。完成安装后，您将通过运行简短的TensorFlow程序验证安装，然后使用TensorFlow进行图像识别。
准备
在开始本教程之前，您需要以下内容：
- 一台 RAM 至少是 1G 的Ubuntu 16.04 服务器
-
一个可以使用
sudo命令的账户 -
Python 3.3或更高版本并且已安装
virtualenv - 安装了Git
没有服务器的用户可以直接在 腾讯云实验室Ubuntu服务器 体验Tensorflow的安装过程。
第1步 - 安装TensorFlow
在此步骤中，我们将创建一个虚拟环境并安装TensorFlow。
首先，创建一个名为
tf-demo
的项目目录：
mkdir ~/tf-demo
复制代码
导航到新创建的
tf-demo
目录：
cd ~/tf-demo
复制代码
然后创建一个名为
tensorflow-dev
的新虚拟环境。运行以下命令以创建环境：
python3 -m venv tensorflow-dev
复制代码
这将创建一个新
tensorflow-dev
目录，其中包含您在激活此环境时安装的所有软件包。它还包括
pip
和一个独立版本的Python。
现在激活您的虚拟环境：
source tensorflow-dev/bin/activate
复制代码激活后，您将在终端中看到与此类似的内容：
(tensorflow-dev)username@hostname:~/tf-demo $
复制代码现在，您可以在虚拟环境中安装TensorFlow。
运行以下命令安装并升级到 PyPi中 可用的最新版本的TensorFlow ：
pip3 install --upgrade tensorflow
复制代码TensorFlow将会安装：
Collecting tensorflow
Downloading tensorflow-1.4.0-cp36-cp36m-macosx_10_11_x86_64.whl (39.3MB)
100% |████████████████████████████████| 39.3MB 35kB/s
...
Successfully installed bleach-1.5.0 enum34-1.1.6 html5lib-0.9999999 markdown-2.6.9 numpy-1.13.3 protobuf-3.5.0.post1 setuptools-38.2.3 six-1.11.0 tensorflow-1.4.0 tensorflow-tensorboard-0.4.0rc3 werkzeug-0.12.2 wheel-0.30.0
复制代码
如果您想随时停用虚拟环境，则命令为：
deactivate
要在以后重新激活环境，请导航到项目目录
source tensorflow-dev/bin/activate
并运行。
现在，您已经安装了TensorFlow，让我们确保TensorFlow安装正常。
第2步 - 验证安装
为了验证TensorFlow的安装，我们将在TensorFlow中以非root用户身份运行一个简单的程序。我们将使用规范初学者的例子“Hello，world！” 作为一种验证形式。我们将使用Python的交互式控制台创建此程序，而不是创建Python文件。
要编写程序，请启动Python解释器：
python
复制代码您将在终端中看到以下提示
>>>
复制代码这是Python解释器的提示，它表明它已准备好开始输入一些Python语句。
首先，输入此行以导入TensorFlow包并使其可用作本地变量
tf
。输入代码行后按
ENTER
：
import tensorflow as tf
复制代码接下来，添加以下代码行来设置消息“Hello，world！”：
hello = tf.constant("Hello, world!")
复制代码
然后创建一个新的TensorFlow会话并将其分配给变量
sess
：
sess = tf.Session()
复制代码注意 ：根据您的环境，您可能会看到以下输出：
2017-06-18 16:22:45.956946: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-18 16:22:45.957158: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-18 16:22:45.957282: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
2017-06-18 16:22:45.957404: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-18 16:22:45.957527: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.
复制代码这告诉您，您有一个可能针对TensorFlow进行优化以获得更好性能的指令集。如果你看到这个，你可以放心地忽略它并继续。
最后，输入这行代码打印出
hello
：
print(sess.run(hello))
复制代码您将在控制台中看到此输出：
Hello, world!
复制代码这表明一切正常，您可以开始使用TensorFlow来做一些更有趣的事情。
按下
CTRL+D
退出Python交互式控制台。
现在让我们使用TensorFlow的图像识别API来更熟悉TensorFlow。
第3步 - 使用TensorFlow进行图像识别
现在已经安装了TensorFlow并且您通过运行一个简单的程序验证了它，让我们来看看TensorFlow的图像识别功能。为了对图像进行分类，您需要训练模型。然后你需要编写一些代码来使用该模型。要了解有关这些概念的更多信息，您可以查看腾讯云学院 人工智能课程 的相关内容。
腾讯云社区提供了 TensorFlow中文开发者手册 ，包括代码和用于分类图像的训练模型。
