本文最後更新時間：2025-08-10 2025-08-10

TensorFlow：AI 界的超級好朋友，揪你一起玩轉深度學習！

TensorFlow 是 Google 開源的深度學習框架，讓你用 Python 就能輕鬆打造各種 AI 模型，不管是圖像辨識、語音辨識還是文字生成，通通難不倒它！

欸，各位鄉親父老兄弟姊妹們，大家好！今天不是要來賣膏藥，而是要來跟大家聊聊一個 AI 界的超級好朋友，叫做 TensorFlow。說到 AI，大家可能會覺得它很高深莫測，好像只有科學家或工程師才玩得起。但其實，現在有了 TensorFlow，我們這些平凡老百姓也能輕鬆踏入 AI 的領域，享受玩轉深度學習的樂趣啦！

什麼是 TensorFlow？聽起來很厲害捏！

簡單來說，TensorFlow 就像是一個超級大的樂高積木，裡面有很多已經設計好的「積木塊」，你可以把這些積木塊組合成各種不同的 AI 模型，就像蓋房子一樣。這些「積木塊」就叫做「算子 (Operator)」，像是加法、乘法、卷積等等，都是已經寫好的程式碼，你不用自己從頭寫，只要把它們像拼圖一樣拼起來就好。

TensorFlow 最厲害的地方就是它能處理大量的數據，而且運算速度非常快。想像一下，你要訓練一個可以辨識貓咪照片的模型，需要餵給它成千上萬張貓咪照片，讓它學習貓咪的特徵。如果用一般的程式來做，可能要算到天荒地老，但用 TensorFlow 就可以在短時間內完成，這就是它厲害的地方！

為什麼要學 TensorFlow？除了趕流行，還有什麼好處？

好問題！學 TensorFlow 當然不是只為了趕流行。想想看，現在 AI 已經滲透到我們生活的方方面面，像是手機裡的語音助理、網購平台的商品推薦、甚至連臉書的廣告，背後都有 AI 的影子。學會 TensorFlow，就等於打開了通往 AI 世界的大門，你可以：

• 創造自己的 AI 應用： 不管是想做一個可以辨識水果種類的 App，還是想寫一個可以自動生成歌詞的程式，只要你有想法，TensorFlow 就能幫你實現。
• 提升職場競爭力： AI 相關的工作越來越夯，學會 TensorFlow，就能在求職市場上更有競爭力，搞不好還能找到一份薪水優渥的工作呢！
• 了解 AI 的原理： 學習 TensorFlow 的過程，你會慢慢了解 AI 是怎麼運作的，不再對它感到陌生和害怕，而是能把它當作一個工具，為你所用。

好啦，廢話不多說，我們來看看 TensorFlow 到底要怎麼用吧！

首先，你得先安裝 TensorFlow。身為 Python 的愛好者，我們當然是用 pip 來安裝啦！打開你的終端機 (Terminal) 或命令提示字元 (Command Prompt)，輸入以下指令：

1

pip install tensorflow

等等等等，如果你想要用 GPU 加速運算，那就要安裝 TensorFlow 的 GPU 版本。不過，這比較複雜一點，要先安裝 CUDA 和 cuDNN，然後再用 pip 安裝 TensorFlow。詳細的安裝步驟可以參考 TensorFlow 的官方網站。

安裝好 TensorFlow 之後，就可以開始寫程式了！我們來寫一個簡單的範例，看看 TensorFlow 是怎麼運作的。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

import tensorflow as tf

定義兩個常數
a = tf.constant(5.0)
b = tf.constant(6.0)

計算兩個常數的和
c = tf.add(a, b)

建立一個 TensorFlow 的 Session
with tf.Session() as sess:
    執行計算
    result = sess.run(c)

    印出結果
    print(result)  輸出：11.0

這段程式碼做了什麼呢？

1. import tensorflow as tf: 這行就是把 TensorFlow 這個函式庫引入到你的程式裡，並且給它一個簡短的別名 tf，以後就可以用 tf 來呼叫 TensorFlow 的函數。
2. a = tf.constant(5.0) 和 b = tf.constant(6.0): 這兩行定義了兩個常數，分別是 5.0 和 6.0。在 TensorFlow 裡，我們要先定義好要運算的數據，才能進行計算。tf.constant 就是用來定義常數的函數。
3. c = tf.add(a, b): 這行就是計算 a 和 b 的和，結果會存到 c 這個變數裡。tf.add 就是 TensorFlow 提供的加法運算子。
4. with tf.Session() as sess:: 這是一個很重要的概念，叫做「Session」。在 TensorFlow 裡，所有的運算都要在 Session 裡執行。你可以把 Session 想像成一個「執行環境」，所有的變數、運算都會在這個環境裡進行。with 語法可以確保 Session 在使用完畢後會自動關閉，避免資源浪費。
5. result = sess.run(c): 這行就是告訴 TensorFlow 執行 c 這個運算，並且把結果存到 result 這個變數裡。sess.run 就是用來執行運算的函數。
6. print(result): 我們把計算的結果印出來，就會看到 11.0。

TensorFlow 的核心概念：Tensor 和 Graph

剛才的例子雖然簡單，但已經包含了 TensorFlow 的兩個核心概念：Tensor 和 Graph。

• **Tensor (張量)**：TensorFlow 的名字就是從 Tensor 來的。Tensor 是一種多維陣列，可以想像成一個容器，用來儲存數據。剛才的 a、b、c 都是 Tensor。Tensor 可以是 0 維的 (純量)、1 維的 (向量)、2 維的 (矩陣)，甚至是更高維度的。
• **Graph (圖)**：Graph 是一個計算流程的描述，它把所有的運算和數據都用節點 (Node) 和邊 (Edge) 連接起來。節點代表運算，邊代表數據的流動方向。剛才的例子，我們可以把它畫成一個簡單的 Graph：

1
2
3
4
5
6
7
8
9
10

a (Constant)   b (Constant)
    \           /
     \         /
      \       /
       \     /
        \   /
         v
    add (Operation)
         v
        c (Tensor)

這個 Graph 描述了 a 和 b 相加的運算，並且把結果存到 c 這個 Tensor 裡。在 TensorFlow 裡，我們首先要建立一個 Graph，描述計算流程，然後再用 Session 來執行這個 Graph。

用 TensorFlow 打造一個簡單的線性迴歸模型

了解了 TensorFlow 的基本概念之後，我們來打造一個簡單的線性迴歸模型。線性迴歸是一種常用的機器學習方法，用來預測一個連續的數值。例如，我們可以根據房屋的坪數來預測房屋的價格。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

import tensorflow as tf
import numpy as np

產生一些隨機數據
X = np.array([1, 2, 3, 4, 5], dtype=np.float32)
Y = np.array([2, 4, 6, 8, 10], dtype=np.float32)

定義模型的參數
W = tf.Variable(tf.random_normal([1]), name='weight')  權重 (Weight)
b = tf.Variable(tf.random_normal([1]), name='bias')  偏差 (Bias)

定義模型的預測值
Y_pred = tf.add(tf.multiply(X, W), b)

定義損失函數 (Loss Function)
loss = tf.reduce_sum(tf.square(Y_pred - Y))  均方誤差 (Mean Squared Error)

定義優化器 (Optimizer)
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss)

初始化所有變數
init = tf.global_variables_initializer()

開始訓練模型
with tf.Session() as sess:
    sess.run(init)

    訓練 1000 個 epoch
    for epoch in range(1000):
        sess.run(optimizer)

        每 100 個 epoch 印出一次損失值
        if (epoch + 1) % 100 == 0:
            print("Epoch:", epoch + 1, "loss=", sess.run(loss), "W=", sess.run(W), "b=", sess.run(b))

    印出最終的權重和偏差
    print("Final W=", sess.run(W), "b=", sess.run(b))

這段程式碼做了什麼呢？

1. import tensorflow as tf 和 import numpy as np: 引入 TensorFlow 和 NumPy 函式庫。NumPy 是一個常用的數學計算函式庫，用來處理陣列和矩陣。
2. X = np.array([1, 2, 3, 4, 5], dtype=np.float32) 和 Y = np.array([2, 4, 6, 8, 10], dtype=np.float32): 定義輸入數據 X 和目標數據 Y。這裡我們用 NumPy 的 array 函數來建立兩個陣列，分別代表房屋的坪數和價格。
3. W = tf.Variable(tf.random_normal([1]), name='weight') 和 b = tf.Variable(tf.random_normal([1]), name='bias'): 定義模型的參數，也就是權重 W 和偏差 b。tf.Variable 用來定義可以改變的變數，也就是模型在訓練過程中會不斷調整的參數。tf.random_normal([1]) 用來產生一個隨機數，作為 W 和 b 的初始值。
4. Y_pred = tf.add(tf.multiply(X, W), b): 定義模型的預測值 Y_pred。線性迴歸的公式是 Y = W * X + b，這裡我們用 TensorFlow 的函數來實現這個公式。tf.multiply 是乘法運算子，tf.add 是加法運算子。
5. loss = tf.reduce_sum(tf.square(Y_pred - Y)): 定義損失函數 loss。損失函數用來衡量模型的預測值和真實值之間的差距，差距越小，代表模型越準確。這裡我們用均方誤差 (Mean Squared Error) 作為損失函數，也就是預測值和真實值之差的平方和。tf.square 是平方運算子，tf.reduce_sum 是求和運算子。
6. optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss): 定義優化器 optimizer。優化器用來調整模型的參數，使損失函數最小化。這裡我們用梯度下降法 (Gradient Descent) 作為優化器，learning_rate 是學習率，控制參數調整的幅度。tf.train.GradientDescentOptimizer 是梯度下降法的實現。
7. init = tf.global_variables_initializer(): 初始化所有變數。在使用 TensorFlow 變數之前，必須先初始化它們。tf.global_variables_initializer 用來初始化所有的全局變數。
8. with tf.Session() as sess:: 建立一個 TensorFlow 的 Session，用來執行計算。
9. sess.run(init): 執行初始化操作，初始化所有變數。
10. for epoch in range(1000):: 開始訓練模型。我們訓練 1000 個 epoch，也就是重複執行 1000 次優化過程。
11. sess.run(optimizer): 執行優化操作，調整模型的參數，使損失函數最小化。
12. if (epoch + 1) % 100 == 0:: 每 100 個 epoch 印出一次損失值和參數值，方便我們觀察模型的訓練過程。
13. print("Final W=", sess.run(W), "b=", sess.run(b)): 訓練完成後，印出最終的權重和偏差。

執行這段程式碼，你會看到損失值不斷下降，權重 W 逐漸接近 2，偏差 b 逐漸接近 0。這表示我們的模型正在學習，並且越來越準確。

TensorFlow 的進階應用：卷積神經網路 (Convolutional Neural Network)

線性迴歸只是一個簡單的模型，如果我們要處理更複雜的問題，例如圖像辨識，就需要用到更強大的模型，例如卷積神經網路 (CNN)。

CNN 是一種專門用來處理圖像的深度學習模型，它利用卷積 (Convolution) 運算來提取圖像的特徵，然後再用這些特徵來進行分類或辨識。CNN 在圖像辨識領域取得了很大的成功，像是辨識貓咪照片、車牌辨識等等，都離不開 CNN 的功勞。

TensorFlow 提供了很多方便的 API，可以讓我們輕鬆打造 CNN 模型。例如，tf.layers.conv2d 可以用來建立卷積層，tf.layers.max_pooling2d 可以用來建立池化層 (Pooling Layer)，tf.layers.dense 可以用來建立全連接層 (Fully Connected Layer)。

TensorFlow 的好夥伴：Keras

如果你覺得直接用 TensorFlow 寫程式碼太麻煩，那你可以試試 Keras。Keras 是一個高階的深度學習 API，它建立在 TensorFlow 之上，提供更簡潔、更易用的介面。用 Keras 寫程式碼，可以大幅減少程式碼量，讓你更專注在模型的設計上，而不是程式碼的細節。

Keras 提供了很多預先定義好的模型和層，例如 CNN、RNN (Recurrent Neural Network) 等等，你可以直接拿來使用，也可以自己定義新的模型和層。Keras 還提供了很多方便的工具，可以讓你快速地訓練和評估模型。

個人心得分享：TensorFlow 的學習之路

我剛開始接觸 TensorFlow 的時候，也覺得它很難，有很多概念都不懂。但我沒有放棄，而是慢慢地學習，一步一步地摸索。我看了很多 TensorFlow 的教學影片、讀了很多 TensorFlow 的文章，也做了很多 TensorFlow 的練習。

在這個過程中，我發現最重要的就是要有耐心和毅力。TensorFlow 是一個很大的框架，有很多東西要學，不可能一蹴可幾。你要給自己時間，慢慢地學習，不要急於求成。

另外，多做練習也很重要。光看書或看影片是不夠的，你要自己動手寫程式碼，才能真正理解 TensorFlow 的運作方式。你可以從一些簡單的例子開始，例如剛才的線性迴歸模型，然後再慢慢地挑戰更複雜的模型。

不要害怕犯錯。在學習 TensorFlow 的過程中，你一定會遇到很多錯誤，這是很正常的。不要灰心，而是要從錯誤中學習，不斷地改進。

：一起加入 TensorFlow 的行列吧！

TensorFlow 是一個強大而有趣的 AI 工具，它可以讓你創造出很多令人驚豔的應用。如果你對 AI 有興趣，那就趕快加入 TensorFlow 的行列吧！相信你一定會愛上它的！

→　最後更新時間 2025-08-10　要更新請點這裡