题图：byjordhammond from Instagram
好的技术人有三种境界：

1、做好自己的技术，写出优秀的代码，一方水土，养一个技术人
2、技术驱动业务，做出优秀的产品，让世界变得更好一些。什么是优秀的产品？很多，比如微信
3、创造并制定工业标准，推动世界前行
在现代社会，技术一直是最强有力的底层驱动力，从操作系统 Windows，macOS，Unix，Linux 到移动操作系统 iOS 和 Android，从互联网技术体系到大数据 Hadoop 平台，每一种技术，一旦成为工业标准，就会迸发出巨大的能量，推动世界前行。
机器学习和深度学习是公认的未来方向，在这个领域里，开源项目 TensorFlow 正在像大数据领域的 Hadoop 一样，逐渐成为 AI 领域的工业标准。
当年阿尔法狗一战成名，击败李世石，后来化身 Master，败尽天下英雄，一众围棋顶尖高手束手无策，阿尔法狗颇有一点独孤求败的意思，而阿尔法狗的算法训练就是由 TensorFlow 完成的。
Google 2015年11月 发布了一套机器学习和深度学习框架，这套框架就是 TensorFlow。2017年2月，TensorFlow 正式发布了1.0版本，目前在 Github 上的 star 有 11.7 万多。
TensorFlow 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。借助其灵活的架构，用户可以轻松地将计算工作部署到多种平台（CPU、GPU、TPU）和设备（桌面设备、服务器集群、移动设备、边缘设备等）。TensorFlow 最初由 Google 大脑小组（隶属于 Google AI 部门）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。
TensorFlow 开源之后，任何人都可以用 Tensorflow 构建自己的应用系统，只要遵守 Apache 2.0 开源协议即可。看目前 TensorFlow 的发展势头，它正在逐步成为 AI 领域的工业标准。这么好的东西 Google 为什么要开源？因为一旦 TensorFlow 成为工业标准，就会形成生态，进而推动这个领域大踏步发展，Google 一直在做这样的事情：
我们认为机器学习是未来新产品和新技术的一个关键部分。在这一个领域的研究是全球性的，并且发展很快，却缺少一个标准化的工具。通过分享 TensorFlow，我们希望能够创造一个开放的标准，来促进交流研究想法和将机器学习算法产品化。
目前，阿里、腾讯、京东、小米、网易、滴滴等国内知名互联网企业和 Airbnb、Uber、Dropbox 等硅谷明星公司，都在生产环境大规模地使用 TensorFlow。在谷歌内部，更有超过 80% 的软件项目采用了 TensorFlow。
学习机器学习最好的方式就是实践，Tensorflow 支持单机和分布式部署，支持 CPU 和 GPU，支持多种编程语言，尤其是 Python。你完全可以在自己的电脑上编译安装并做一个文字识别或图片渲染的小程序，遇到问题，再去查漏补缺，这可能是最好的一种学习方式了。
那学习过程中有哪些盲区呢？
1、网上各种教程参差不齐，且各自基于不同的 TensorFlow 版本，完全照着做，难免会遇到各种奇怪的问题，有时候折腾半天都解决不了，越看越焦虑，还浪费时间。
2、TensorFlow 使用了大量的抽象概念来描述算法模型及其计算过程，譬如张量、操作、占位符、数据流图、会话等。初学者对这些概念往往难以理解，如果没有详细的指导和点拨，学习起来困难重重。
3、由于初学者对 TensorFlow 的模块和架构设计缺乏整体认知，就无法根据自身需求快速学习和应用，容易胡子眉毛一把抓，皱着眉头钻研半天也抓不住重点。
解决这些问题的重任再一次落到了极客时间身上，围笑。
我们邀请了彭靖田老师在极客时间开设了一门 TensorFlow 视频课程：《TensorFlow 快速入门与实战》。
彭靖田是谷歌机器学习开发专家，曾经是 TensorFlow 社区全球前 40 的贡献者，也是国内第一本深度剖析 Google AI 框架的畅销书《深入理解TensorFlow》的作者。另外，他还参与主导了华为 2012 实验室深度学习平台和华为深度学习云服务的设计与研发工作。
相比网上的快餐内容，这个视频课程是作者在实战中的经验和总结，是一次体系化的输出，学习过程中还会有各种互动。有些知识点（比如 SVM 的原理公式)，你花了好几个小时在网上学习也未必真能看明白，课程里就讲得十分通透，让你少走很多弯路。
课程大纲如下：

学习收获：

快速掌握 TensorFlow 核心概念和架构
熟练进行模型结构设计、训练及测试
参数调优及损失函数设计的基本方法
四个典型的 TensorFlow 应用场景实战
未来已经设定，你我最好能先行一步（目前已经更新12讲）