人工智能AI培训_TensorFlow入门基础
发布时间：
2019-05-21 14:25:02
人工智能AI培训_TensorFlow入门基础
1.TensorFlow概述
TensorFlow是谷歌开源的第二代用于数字计算的软件库。它可以很好的支持深度学习的各种算法，但它的应用不局限于深度学习，可以支持多种计算平台，系统稳定性较高。
TensorFlow拥有多层级结构，可部署于各类服务器、PC终端和网页并支持GPU和TPU高性能数值计算，被广泛应用于谷歌内部的产品开发和各领域的科学研究。
TensorFlow由谷歌人工智能团队谷歌大脑（Google Brain）开发和维护，拥有包括TensorFlow Hub、TensorFlow Lite、TensorFlow Research Cloud在内的多个项目以及各类应用程序接口（Application Programming Interface, API）
2.TensorFlow特点
灵活可扩展：TensorFlow在不同计算机上运行：小到智能手机，大到计算机集群都能扩展，可以立刻生成你的训练模型。
多语言：支持C++，Python语言。
GPU：虽然TensorFlow在大型计算机集群的并行处理中，运行性能略低于CNTK，但是在个人机器使用场景中，会根据机器配置自动选择CPU或GPU，更加友好与智能。
多平台：TensorFlow生成的模型，可以满足更多使用者的需求。适用于Mac，Linux，Windows系统上开发。满足开箱即用的模型使用概念。
运算能力强：利用了DAG图创建工作流图，优化了计算过程。
分布式：
目前原生支持的分布式深度学习框架不多，只有 TensorFlow、CNTK、DeepLearning4J、MXNet 等。在单 GPU 的条件下，绝大多数深度学习框架都依赖于 cuDNN，因此只要硬件计算能力或者内存分配差异不大，最终训练速度不会相差太大。
但是对于大规模深度学习来说，巨大的数据量使得单机很难在有限的时间完成训练。而TensorFlow支持分布式训练。
TensorFlow 的设计对不同设备间的通信优化得不是很好，其单机的 reduction 只能用 CPU 处理，分布式的通信使用基于 socket 的 RPC，而不是速度更快的 RDMA，所以其分布式性能可能还没有达到最优。
3.TensorFlow应用场景
- 自动驾驶小车
- 生成音乐
- 图像识别
- 语音识别
- 语言模型
- 人体行为识别
- 定理证明
- 拿来玩马里奥赛车…
4.TensorFlow组成
TensorFlow是由Tensor+Flow组成，Tensor即为张量，Flow为流动，名字的含义就是张量在流动
5.TensorFlow计算过程
TensorFlow是一个通过计算图的形式来表述计算的编程系统，是以张量（tensor）在计算图（graph）上流动（flow）的方式实现和执行机器学习/深度学习算法的框架。计算过程如下：
- 构建计算图：可以理解为前端工作，定义一个操作的集合，根据数据流，组织为有向无环图。操作包含：初始化、各种加乘、读取、赋值、网络前向反馈、计算loss、梯度反向传播等等。
- 执行：可以理解为后端。在一个指定的gpu或是cpu上，通过Session.run()调度，运行计算图（C++）。一般是循环反复执行。
- 使用有向图的节点和边共同描述数学计算。graph中的nodes代表数学操作，也可以表示数据输入输出的端点。边表示节点之间的关系，传递操作之间互相使用的多位数组（tensors），tensor在graph中流动——这也就是TensorFlow名字的由来。一旦节点相连的边传来了数据流，节点就被分配到计算设备上异步的（节点间）、并行的（节点内）执行。
6.TensorFlow架构
TensorFlow的内核引擎使用C++实现的，效率是很高的。TensorFlow的内核封装实现了NN、CNN等基本机器学习算法。
前端应用层支持Python或C++，一般用Python（AI领域第一编程语言）。
在应用层，如果使用了其他的Python耗时操作（如数据预处理等），可能效率会比较低，但这不是TensorFlow造成的。
7.TensorFlow安装
推荐使用pycharm + anaconda，安装过程大家可以自行查询
8.TensorFlow入门例子
'''
1.引入tensorflow
2.定义常量、变量
3.创建Session会话
4.调用Session中的run()方法来运行，得出结果
5.关闭seession
'''
#引入tensorflow
import tensorflow as tf
#定义常量
hello = tf.constant("hello,tensorflow")
a = tf.constant(10)
b = tf.constant(20)
with tf.Session() as sess:
print(sess.run(hello))
print(sess.run(a + b))
上一篇：
PS教程_PS文字排版设计教学
下一篇：
使用filter-policy控制路由可达性
