手机阅读会有问题-。=
google的tensorflow提供golang接口了，总算是拉了自家的语言一把。周末抽空试了试，总体思想还是用python训练并Save好model（更友好），然后用golang Load该model，再进行运算。
安装
安装tensorflow环境
直接看官方文档。我是用的“Installing with virtualenv”，装好之后遇到了点问题，import numpy时报错：RuntimeError: module compiled against API version 0xa but this version of numpy is 0x9。应该是numpy的版本兼容问题，用pip升级numpy也没有解决，后直接在创建virtualenv时用“–no-site-packages”解决了。
安装golang binding
直接看官方文档。装好后运行panic，后升级golang到1.8.3解决了。
训练模型
用python训练模型
感谢没有博士学位，照样玩转TensorFlow深度学习，我们可以比较简单地理解tensorflow的工作原理，并开始训练用于识别手写数字的模型。
多的不说，为了后续golang能够用上该模型，需要给模型的tensors和operations打上标签。
先给作为input的tensors打标签：
# flatten the images into a single line of pixels
# -1 in the shape definition means "the only possible dimension that will preserve the number of elements"
XX = tf.reshape(X, [-1, 784], name="input")
再给operations打标签：
# this is the 'output'
infer = tf.argmax(Y, 1, name="infer")
最后导出model，tag为名：
# Create a builder to export the model
builder = tf.saved_model.builder.SavedModelBuilder(str(flags.model_dir))
# Tag the model in order to be capable of restoring it specifying the tag set
builder.add_meta_graph_and_variables(sess, ["tag"])
builder.save()
导出model的形式如下图：
使用模型
golang上场
两部分关键代码。
首先是导入model：
saveModel, err := tf.LoadSavedModel("/Users/baixiao/tensorflow/mnist/export/", []string{"tag"}, nil)
if err != nil {
log.Fatal(err)
}
graph := saveModel.Graph
session := saveModel.Session
defer session.Close()
恢复session和graph之后，使用该模型进行运算，识别手写数字的图像：
tensor, err := mnistTensor(int(index))
if err != nil {
log.Fatal(err)
}
output, err := session.Run(
map[tf.Output]*tf.Tensor{
graph.Operation("input").Output(0): tensor,
},
[]tf.Output{
graph.Operation("infer").Output(0),
},
nil)
if err != nil {
log.Fatal(err)
}
结果如下图，可以看到识别数字8是成功了：
结束
完整代码在https://github.com/baixiaoustc/tensorflow_mnist
参考：