TensorFlow2.0的架構

本章主要是闡述Tensorflow2.0的架構，并選取了兩個重要的API進行簡單介紹。

作為全球最受歡迎、使用最為廣泛的機器學習平臺之一，Tensorflow在其發展的三年時間也是機器學習和人工智能發展最為迅猛的三年。TensorFlow2.0是一個重要的里程碑，其重心放在了簡單性和易用性上，盡量降低用戶使用的門檻。TensorFlow團隊為其添加了許多的組件，在TensorFlow2.0里，這些組件被打包成了一個全面的平臺，它支持從訓練到部署的標準化的機器學習流程。下圖是TensorFlow2.0架構的簡化概念圖。

根據TensorFlow的官方文檔我們將重點介紹一下“tf.data”和“tf.keras”這兩個API。

1.使用tf.data加載數據——使用tf.data所創建的輸入管道來讀取訓練數據，并可以通過tf.feature_column來指定特征列或者交叉特征。

2.使用tf.keras或Premade Estimators構建、訓練和驗證模型作為TensorFlow的核心高級API。使用tf.keras可以簡單、快捷地構建模型。

3.使用Eager Execution運行和調試模型，以及使用tf.function充分利用計算圖的優勢，在Eager Execution模式下，可以更加方便地編寫和調試代碼，在TensorFlow2.0中，該模式是默認開啟的。我們可以使用tf.function來將Python程序轉換為TensorFlow的靜態計算圖，這樣就可以保留TensorFlow1.x版本中的靜態計算圖的優勢。

4.使用Distribution Strategies進行分布式訓練對于大規模的機器學習訓練任務，tf.distribute.Strategy API旨在讓用戶只需要對現有的模型和代碼做最少的更改就可以實現分布式的訓練。TensorFlow支持CPU、GPU以及TPU等硬件加速器，可以將訓練任務分配到單節點、多加速器及多節點或多加速器。

5.使用SavedModel存儲模型在TensorFlow中有兩種模型存儲的格式：一個是檢查點（Checkpoints），另一個是SavedModel，前者依賴于創建模型的源代碼，而后者則與創建模型的源代碼無關，因此標準化后的SavedModel可以作為TensorFlow Serving、TensorFlowLite、TensorFlow.js或者其他編程語言的交換格式。

基本結構介紹后，下一篇就是TensorFlow2.0的正式使用。敬請期待！

TensorFlow 機器學習

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。