本文通過一個(gè)簡單的Go綁定實(shí)例，讓讀者一步一步地學(xué)習(xí)到Tensorflow有關(guān)ID、作用域、類型等方面的知識(shí)。以下是譯文。

　　Tensorflow并不是機(jī)器學(xué)習(xí)方面專用的庫，而是一個(gè)使用圖來表示計(jì)算的通用計(jì)算庫。它的核心是用C++實(shí)現(xiàn)的，并且還有不同語言的綁定。Go語言綁定是一個(gè)非常有用的工具，它與Python綁定不同，用戶不僅可以通過Go語言使用Tensorflow，還可以了解Tensorflow的底層實(shí)現(xiàn)。

　　綁定

　　Tensorflow的開發(fā)者正式發(fā)布了：

　　C++源代碼：真正的Tensorflow核心，實(shí)現(xiàn)了具體的高級(jí)和低級(jí)操作。

　　Python綁定和Python庫：這個(gè)綁定是由C++實(shí)現(xiàn)自動(dòng)生成的，這樣我們可以使用Python來調(diào)用C++函數(shù)。此外，這個(gè)庫將調(diào)用融合到了綁定中，以便定義更高級(jí)別的API。

　　Java綁定。

　　Go綁定。

　　作為一個(gè)Go開發(fā)者而不是一個(gè)Java愛好者，我開始關(guān)注Go綁定，以便了解他們創(chuàng)建了什么樣的任務(wù)。

　　Go綁定

　　地鼠與Tensorflow的徽標(biāo)

　　首先要注意的是，Go API缺少對(duì)Variable的支持：該API旨在使用已經(jīng)訓(xùn)練過的模型，而不是從頭開始訓(xùn)練模型。安裝Tensorflow for Go的時(shí)候已經(jīng)明確說明了：

　　TensorFlow提供了可用于Go程序的API。這些API特別適合于加載用Python創(chuàng)建并需要在Go程序中執(zhí)行的模型。

　　如果我們對(duì)培訓(xùn)ML模型不感興趣，萬歲！相反，如果你對(duì)培訓(xùn)模型感興趣，那就有一個(gè)建議：

　　作為一個(gè)真正的Go開發(fā)者，保持簡單！使用Python定義并訓(xùn)練模型；你可以隨時(shí)使用Go來加載并使用訓(xùn)練過的模型！

　　簡而言之，go綁定可用于導(dǎo)入和定義常量圖；在這種情況下，常量指的是沒有經(jīng)過訓(xùn)練的過程，因此沒有可訓(xùn)練的變量。

　　現(xiàn)在，開始用Go來深入學(xué)習(xí)Tensorflow吧：讓我們來創(chuàng)建第一個(gè)應(yīng)用程序。

　　在下文中，我假設(shè)讀者已經(jīng)準(zhǔn)備好Go環(huán)境，并按照README（https://github.com/tensorflow/tensorflow/blob/master/tensorflow/go/README.md）中的說明編譯并安裝了Tensorflow綁定。

　　理解Tensorflow結(jié)構(gòu)

　　讓我們來重復(fù)一下什么是Tensorflow：

　　TensorFlow?是一款使用數(shù)據(jù)流圖進(jìn)行數(shù)值計(jì)算的開源軟件庫。圖中的節(jié)點(diǎn)表示數(shù)學(xué)運(yùn)算，而圖的邊表示在節(jié)點(diǎn)之間傳遞的多維數(shù)據(jù)數(shù)組（張量）。

　　我們可以把Tensorflow視為一種描述性語言，這有點(diǎn)像SQL，你可以在其中描述你想要的內(nèi)容，并讓底層引擎（數(shù)據(jù)庫）解析你的查詢、檢查句法和語義錯(cuò)誤、將其轉(zhuǎn)換為內(nèi)部表示形式、進(jìn)行優(yōu)化并計(jì)算出結(jié)果：所有這一切都會(huì)給你正確的結(jié)果。

　　因此，當(dāng)我們使用任何一個(gè)API時(shí)，我們真正做的是描述一個(gè)圖：當(dāng)我們把圖放到Session中并顯式地在Session中運(yùn)行圖時(shí)，圖的計(jì)算就開始了。

　　知道了這一點(diǎn)之后，讓我們?cè)囍鴣矶x一個(gè)計(jì)算圖并在一個(gè)Session中進(jìn)行計(jì)算吧。API文檔（https://godoc.org/github.com/tensorflow/tensorflow/tensorflow/go）為我們提供了（簡寫為）和包中所有方法的列表。

　　我們可以看到，這兩個(gè)包包含了我們需要定義和計(jì)算圖形的所有內(nèi)容。

　　前者包含了構(gòu)建一個(gè)基本的“空”結(jié)構(gòu)（就像Graph本身）的功能，后者是包含由C++實(shí)現(xiàn)自動(dòng)生成綁定的最重要的包。

　　然而，假設(shè)我們要計(jì)算A與x的矩陣乘法，其中

　　我假設(shè)讀者已經(jīng)熟悉了tensorflow圖定義的基本思想，并且知道占位符是什么以及它們?nèi)绾喂ぷ鳌Ｏ旅娴拇a是對(duì)Tensorflow Python綁定的第一次嘗試。我們來調(diào)用這個(gè)文件attempt1.go

　　代碼注釋的很詳細(xì)，希望讀者能閱讀每一行注釋。

　　現(xiàn)在，Tensorflow-Python用戶期望該代碼進(jìn)行編譯并正常工作。我們來看看它是否正確：

　　這是他看到的結(jié)果：

　　等等，這里發(fā)生了什么？ 顯然，存在兩個(gè)名稱都為“Placeholder”的操作。

　　第一節(jié)課：節(jié)點(diǎn)ID

　　每當(dāng)我們調(diào)用一個(gè)方法來定義一個(gè)操作時(shí)，Python API都會(huì)生成不同的節(jié)點(diǎn)，無論是否已經(jīng)被調(diào)用過。下面的代碼返回3。

　　我們可以通過打印占位符的名稱來驗(yàn)證此程序是否創(chuàng)建了兩個(gè)不同的節(jié)點(diǎn)：print（a.name，b.name）生成Placeholder:0 Placeholder_1:0，因此，b占位符是Placeholder_1:0，而a占位符是Placeholder:0。

　　在Go中，相反，之前的程序會(huì)執(zhí)行失敗，因?yàn)锳和x都命名為Placeholder。我們可以得出這樣的結(jié)論：

　　Go API不會(huì)在每次調(diào)用函數(shù)來定義操作的時(shí)候自動(dòng)生成新的名字：操作的名字是固定的，我們無法修改。