深度学习-TensorFlow框架

1. 深度学习的介绍

1.1 深度学习与机器学习的区别

1.1.1 特征提取方面

• 机器学习的特征工程步骤是要靠手动完成的，而且需要大量领域专业知识。
• 深度学习通常由多个层组成，它们通常将更简单的模型组合在一起，将数据从一层传递到另一层来构建更复杂的模型。通过训练大量数据自动得出模型，不需要人工特征提取环节。

深度学习算法试图从数据中学习高级功能，这是深度学习的一个非常独特的部分。因此，减少了为每个问题开发新特征提取器的任务。适合用在难提取特征的图像、语音、自然语言处理领域。

1.1.2 数据量和计算性能要求

• 深度学习需要大量的训练数据集。
• 训练深度神经网络需要大量的算力。

可能要花费数天、甚至数周的时间，才能使用数百万张图像的数据集训练出一个深度网络。所以深度学习通常需要强大的GPU服务器来进行计算。

1.1.3 算法代表

• 机器学习：朴素贝叶斯、决策树等
• 深度学习：神经网络

1.2 深度学习的应用场景

图像识别、自然语言处理、语音识别

1.3 深度学习框架介绍

TensorFlow和PyTorch最常用。

TensorFlow框架特点：高度灵活、语言多样、设别支持、TensorBoard可视化。

TensorFlow的安装：CPU版本和GPU版本

注:CPU与GPU的对比
CPU：核芯的数量更少，但是每一个核芯的速度更快，性能更强，更适用于处理连续性任务。
GPU：核芯的数量更多，但是每一个核芯的处理速度较慢，更适用于并行任务。

CPU版本的Ubuntu安装：

pip install tensorflow==1.8 -i https://mirrors.aliyun.com/pypi/simple