人工智能AI培训_TensorFlow 开发基础
1.TensorFlow是什么
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。为了更好理解它，从以下几个方面介绍：
1）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。
2）从命名来理解：Tensor（张量）意味着N维数组，Flow（流）意味 着基于数据流图的计算。Tensorflow运行过程就是张量从图的一端流动到另一端的计算过程。
3）TensorFlow的开发过程中，重点在于构建执行流图。也就是：“Data Flow Graphs”，表示TensorFlow是一种基于图的计算框架，其中节点（Nodes）在图中表示数学操作，线（Edges）则表 示在节点间相互联系的多维数据数组，即张量（Tensor），这种基于流的架构让 TensorFlow具有非常高的灵活性。
2.TensorFlow的特点
1）真正的可移植性
引入各种计算设备的支持包括CPU/GPU/TPU，以及能够很好地运行在移动端，如安卓、ios、等等
2）多语言支持
Tensorflow 有一个合理的c++使用界面，也有一个易用的python使用界面来构建和执行你的graphs，你可以直接写python/c++程序。
3）高度的灵活性与效率
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能够灵活进行组装图，执行图。随着开发的进展，Tensorflow的效率不算在提高
4）支持
TensorFlow 由谷歌提供支持，谷歌投入了大量精力开发 TensorFlow，它希望 TensorFlow 成为机器学习研究人员和开发人员的通用语言
3.TensorFlow可以做什么
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计算过程
TensorFlow基于数据流图，用于大规模分布式数值计算的开源框架。节点表示某种抽象的计算，边表示节点之间相互联系的张量。
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。
5.TensorFlow架构
下图是TF的系统架构，从底向上分为设备管理和通信层、数据操作层、图计算层、API接口层、应用层。其中设备管理和通信层、数据操作层、图计算层是TF的核心层。
底层设备通信层负责网络通信和设备管理。设备管理可以实现TF设备异构的特性，支持CPU、GPU、Mobile等不同设备。网络通信依赖gRPC通信协议实现不同设备间的数据传输和更新。
第二层是Tensor的OpKernels实现。这些OpKernels以Tensor为处理对象，依赖网络通信和设备内存分配，实现了各种Tensor操作或计算。Opkernels不仅包含MatMul等计算操作，还包含Queue等非计算操作。Kernel层可以跑在cpu上也可以跑在gpu上。
第三层是图计算层（Graph），包含本地计算流图和分布式计算流图的实现。Graph模块包含Graph的创建、编译、优化和执行等部分，Graph中每个节点都是OpKernels类型表示。
第四层是API接口层。Tensor C API是对TF功能模块的接口封装，便于其他语言平台调用。
第四层以上是应用层。不同编程语言在应用层通过API接口层调用TF核心功能实现相关实验和应用。
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。
6.TensorFlow开发环境搭建
推荐使用Anaconda3+Pycharm来开发，安装过程可参考以下博客文章
https://blog.csdn.net/albert201605/article/details/79090620/
7.TensorFlow简单示例
'''
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))
