人工智能AI培訓_TensorFlow入門基礎
發布時間：
2019-05-21 14:25:02
人工智能AI培訓_TensorFlow入門基礎
1.TensorFlow概述
TensorFlow是谷歌開源的第二代用于數字計算的軟件庫。它可以很好的支持深度學習的各種算法，但它的應用不局限于深度學習，可以支持多種計算平臺，系統穩定性較高。
TensorFlow擁有多層級結構，可部署于各類服務器、PC終端和網頁并支持GPU和TPU高性能數值計算，被廣泛應用于谷歌內部的產品開發和各領域的科學研究。
TensorFlow由谷歌人工智能團隊谷歌大腦（Google Brain）開發和維護，擁有包括TensorFlow Hub、TensorFlow Lite、TensorFlow Research Cloud在內的多個項目以及各類應用程序接口（Application Programming Interface, API）
2.TensorFlow特點
靈活可擴展：TensorFlow在不同計算機上運行：小到智能手機，大到計算機集群都能擴展，可以立刻生成你的訓練模型。
多語言：支持C++，Python語言。
GPU：雖然TensorFlow在大型計算機集群的并行處理中，運行性能略低于CNTK，但是在個人機器使用場景中，會根據機器配置自動選擇CPU或GPU，更加友好與智能。
多平臺：TensorFlow生成的模型，可以滿足更多使用者的需求。適用于Mac，Linux，Windows系統上開發。滿足開箱即用的模型使用概念。
運算能力強：利用了DAG圖創建工作流圖，優化了計算過程。
分布式：
目前原生支持的分布式深度學習框架不多，只有 TensorFlow、CNTK、DeepLearning4J、MXNet 等。在單 GPU 的條件下，絕大多數深度學習框架都依賴于 cuDNN，因此只要硬件計算能力或者內存分配差異不大，最終訓練速度不會相差太大。
但是對于大規模深度學習來說，巨大的數據量使得單機很難在有限的時間完成訓練。而TensorFlow支持分布式訓練。
TensorFlow 的設計對不同設備間的通信優化得不是很好，其單機的 reduction 只能用 CPU 處理，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還沒有達到最優。
3.TensorFlow應用場景
- 自動駕駛小車
- 生成音樂
- 圖像識別
- 語音識別
- 語言模型
- 人體行為識別
- 定理證明
- 拿來玩馬里奧賽車…
4.TensorFlow組成
TensorFlow是由Tensor+Flow組成，Tensor即為張量，Flow為流動，名字的含義就是張量在流動
5.TensorFlow計算過程
TensorFlow是一個通過計算圖的形式來表述計算的編程系統，是以張量（tensor）在計算圖（graph）上流動（flow）的方式實現和執行機器學習/深度學習算法的框架。計算過程如下：
- 構建計算圖：可以理解為前端工作，定義一個操作的集合，根據數據流，組織為有向無環圖。操作包含：初始化、各種加乘、讀取、賦值、網絡前向反饋、計算loss、梯度反向傳播等等。
- 執行：可以理解為后端。在一個指定的gpu或是cpu上，通過Session.run()調度，運行計算圖（C++）。一般是循環反復執行。
- 使用有向圖的節點和邊共同描述數學計算。graph中的nodes代表數學操作，也可以表示數據輸入輸出的端點。邊表示節點之間的關系，傳遞操作之間互相使用的多位數組（tensors），tensor在graph中流動——這也就是TensorFlow名字的由來。一旦節點相連的邊傳來了數據流，節點就被分配到計算設備上異步的（節點間）、并行的（節點內）執行。
6.TensorFlow架構
TensorFlow的內核引擎使用C++實現的，效率是很高的。TensorFlow的內核封裝實現了NN、CNN等基本機器學習算法。
前端應用層支持Python或C++，一般用Python（AI領域第一編程語言）。
在應用層，如果使用了其他的Python耗時操作（如數據預處理等），可能效率會比較低，但這不是TensorFlow造成的。
7.TensorFlow安裝
推薦使用pycharm + anaconda，安裝過程大家可以自行查詢
8.TensorFlow入門例子
'''
1.引入tensorflow
2.定義常量、變量
3.創建Session會話
4.調用Session中的run()方法來運行，得出結果
5.關閉seession
'''
#引入tensorflow
import tensorflow as tf
#定義常量
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文字排版設計教學
下一篇：
使用filter-policy控制路由可達性
18922156670
