人工智能AI培训_TensorFlow 2.0 简介
1、TensorFlow简介
TensorFlow是目前最为流行的深度学习框架，是人工智能领域第一主要工具，迭代版本共有0.1,1.0,和2.0三个版本，本章主要针对最新的2.0版本进行讲解和学习。它是一个用于机器学习和深度学习的端到端开源平台。
15年9月发布0.1版本；17年2月发布1.0版本；19年3月发布2.0版本。15年同类型框架:
Ski-learn: Machine Learning, 不支持GPU;
Caffe: 第一个面向深度学习的框架，但不支持自动求导;
Keras: 只提供API接口;
Torch: Lua语言;
Teano: 开发调试难。
当下同类型框架：
Caffe: Facebook
Caffe2: PyTorch(最新版本的Caffe2 作为PyTorch的C++后端已经并入到PyTorch里去）。
Torch--PyTorch。PyTorch当下非常流行的框架，集合了Torch和Caffe2，Facebook主推。
Teano: Google推出 Tensorflow1.0 ----Tensorflow2.0。
2、V1.0与PyTorch1.0对比
与Tensorflow1.0版本同一时期PyTorch1.0版本发布。
Tensorflow1.0与PyTorch1.0版本的对比：
3、V1.0的弊端
TensorFlow1.0里在创建了Tensor之后，不能直接返回结果。 而是需要创建session会话机制，包含graph的概念在里面，而且需要session.run 才能运行。 这种风格更像是一种硬件编程语言VHDL。
与PyTorch等一些简单的框架相比，TensorFlow1.0 徒增了以上概念，用户使用起来非常的困扰。
TensorFlow1.0调试困难，API混乱，入门困难。入了门使用起来依旧困难，导致很多研究人员转向了PyTorch。
4、V2.0 coming
TF+Keras:
较大的特性(Easy to use): 去掉了graph 和session机制。变的像Python，PyTorch一样所见即所得。
主要改进点：
Session.run：图和会话机制；
Tf.control_dependencies：实时控制的概念；
Tf.global_variables_initializer；
Tf.cond：分支控制的概念原本可以通过python中if，else等语句来完成；
Tf.while_loop 。
对比发现跟PyTorch的风格很相似：
import TensorFlow as tf
a=tf.constant(1.)
b=tf.constant(3.)
c=tf.add(a,b)
print(float(c))
TensorFlow1.0会将大量的时间花费在这些冗余的概念编写上，而忽略对深度学习算法的研究。诸如以下所列出的抽象的概念将一去不复返。
计算图Graph
会话Session
变量管理Variable Scope与共享reuse
Define-and-run
本课程假设你对TensorFlow一无所知，即使知道一些TensorFlow1.0中的概念，但是在2.0中基本上用不到。因此今后不需要我们对TensorFlow1.0再进行学习和了解。
5、TensorFlow2.0简介
TensorFlow2.0包括了TensorFlow核心库，JavaScript, Lite, Extended。构成了TensorFlow的一个完整的生态系统。
TensorFlow核心库：
使初学者和专家可以轻松的创建机器学习模型。
TensorFlow的高级API基于Keras API标准，用于定义和训练神经网络。
Keras通过用户友好的API实现快速原型设计，最先进的研究和生产。
5.1、JavaScript
TensorFlow.js：是一个用于在JavaScript中开发和训练ML模型，并在浏览器或Node.js上部署的库。
运行现有模型：使用官方TensorFlow.js模型或者转换Python模型。
重新训练现有模型：使用Transfer Learning自定义模型。
使用JavaScript开发ML：使用灵活直观的API直接在JavaScript中构建和训练模型，TensorFlow.js。
5.2、TensorFlow Lite
TensorFlow Lite：是一个用于设备推理的开源深度学习框架。它可以满足在移动和物联网设备上部署机器学习模型。
选择一个模型：选择新模型或者重新训练现有模型
兑换：使用TensorFlow Lite转换器将TensorFlow模型转换为压缩的平缓冲区
部署：获取压缩的.tflite文件并将其加载到移动或嵌入式设备中。
优化：通过将32位浮点数转换为更高效的8位整数或在GPU上运行来进行量化。
5.3、TensorFlow Extended
TensorFlow Extended (TFX)：是用于部署生产ML管道的端到端平台，当训练好的模型准备从研究转移到生产时，使用TFX创建和管理生产管道。
TensorFlow数据验证：TFDV可帮助开发人员大规模了解，验证和监控其ML数据。
TensorFlow变换：将数据预处理成合适的格式。
TensorFlow模型分析：TFMA使开发人员能够计算和可视化模型的评估指标。
TensorFlow服务：轻松部署新算法和实验，同时保持相同的服务器架构和API。
6、为什么使用TensorFlow
TensorFlow最为当下最流行的框架主要因为一下几个优势：
支持GPU加速
支持自动求导
深度学习API
7、使用TensorFlow
7.1、GPU加速
支持GPU加速：对矩阵的加减乘除有一个并行的运算加速。
7.2、自动求导
TensorFlow框架的另一个优势就是自动求导：
7.3、深度学习API
TensorFlow框架提供大量深度学习API：
tf.matmul
tf.nn.conv2d
tf.nn.relu
tf.nn.maxpool2d
tf.nn.sigmoid
tf.nn.softmax
layers.Dense
layers.Conv2D
layers.LSTM
layers.ReLU
layers.MaxPool2D
本实验利用网上已有的北京房价数据集预测了北京的房价，实现了TensorFlow的线性回归应用。
