TensorFlow 介紹(簡單版)
一、什么是Tensorflow?

它是端到端的開源機器學習平臺;一個核心開源庫,可以幫助我們開發和訓練機器學習模型。借助Tensorflow,初學者和專家可以輕松地創建機器學習模型。
我們可以使用 Sequential API 來使用TensorFlow,也可以使用Keras API 調用TensorFlow開源庫。
常見問題的解決方案:
https://www.tensorflow.org/overview/?hl=zh_cn
二、TensorFlow 特點
輕松地構建模型:可以使用高階 Keras API 構建和訓練模型,該 API 讓我們能夠輕松地開始使用 TensorFlow 和機器學習。對于大型機器學習訓練任務,可以使用 Distribution Strategy API 在不同的硬件配置上進行分布式訓練,而無需更改模型定義。
可靠地實現機器學習:TensorFlow 都可以助我們輕松地訓練和部署模型,支持多種語言和平臺。如果需要完整的生產型機器學習流水線,使用 TensorFlow Extended (TFX)。要在移動設備和邊緣設備上進行推斷,使用 TensorFlow Lite。使用 TensorFlow.js 在 JavaScript 環境中訓練和部署模型。
具有強大的研究經驗:構建和訓練先進的模型,并且不會降低速度或性能。借助 Keras Functional API 和 Model Subclassing API 等功能,TensorFlow 可以助我們靈活地創建復雜拓撲并實現相關控制。TensorFlow 還支持強大的附加庫和模型生態系統以供我們開展實驗,包括 Ragged Tensors、TensorFlow Probability、Tensor2Tensor 和 BERT。
三、TensorFlow的發展歷程
2011:DistBelief
2015.11:TensorFlow 0.5.0
2017.02:TensorFlow 1.0
高層API,將Keras庫整合進其中
動態圖機制:Eager Execution
面向移動智能終端:TensorFlow Lite
面向網頁前端:TensorFlow.js
自動生成計算圖:AutoGraph
2019:TensorFlow 2.0
四、TensorFlow1.0 與TensorFlow2.0 對比
從執行機制對比:
TensorFlow1.x ——延遲執行機制(deferred execution)/靜態圖機制(代碼運行效率高,便于優化、程序不夠簡潔)
TensorFlow2.0 ——動態圖機制(Eager Execution)
無需首先創建靜態圖,可以立刻執行計算,并返回結果
能夠快速的建立和調試模型
執行效率不高
a=tf.constant(2,name="input_a")
b=tf.constant(3,name="input_b")
print(a+b)
兼顧易用性和執行效率——? 在程序調試階段使用動態圖,快速建立模型、調試程序;在部署階段,采用靜態圖機制,從而提高模型的性能和部署能力
總體對比:
TensorFlow1.x ——重復、冗余的API
構建神經網絡:tf.slim,tf.layers,tf.contrib.layers,tf.keras
混亂,不利于程序共享,維護的成本高
TensorFlow2.0 ——清理 / 整合API
清理、整合了重復的API
將tf.keras作為構建和訓練模型的標準高級API
5)TensorFlow2.0 框架、特點
TensorFlow2.0 架構:
特點:
1、多種環境支持
可運行于移動設備、個人計算機、服務器、集群等
云端、本地、瀏覽器、移動設備、嵌入式設備
2、支持分布式模式
TensorFlow會自動檢測GPU和CPU,并充分利用它們并行、分布的執行
3、簡潔高效
構建、訓練、迭代模型:Eager Execution,Keras
部署階段:轉化為靜態圖,提高執行效率。
4、社區支持
6)TensorFlow 是否受歡迎呢?是否被大家所使用?
我們看看下圖,使用 TensorFlow 的公司:
不得不說,有這么多巨頭公司都使用,說明還是很不錯的。( ?? ω ?? )y
AI
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。