Tensorflow2.0学习笔记

最新推荐文章于 2024-07-22 18:18:07 发布

Avins_

最新推荐文章于 2024-07-22 18:18:07 发布

阅读量675

点赞数

分类专栏：学习笔记文章标签： TensorFlow

本文链接：https://blog.csdn.net/avinswang/article/details/94719602

版权

学习笔记专栏收录该内容

1 篇文章 0 订阅

订阅专栏

TF简介

一、数据流图

节点数据处理
线节点的输入和输出关系
线上运输张量

TF版本

一、历史版本

2015.11 开源
2015.12 v0.6 支持gpu和python3.3
2016.04 v0.8 支持分布式
2016.11 v0.11 支持windows
2017.02 v1.0 性能和API改进
2017.04 v1.1 集成keras
2017.08 v1.3 高级API，预算估计器等，支持TPU
2017.11 v1.5 eager, TF lite对移动端的支持
2018.03 TF.hub TF.js TF extened(TFX)
2018.05 v1.6 cloud tpu与管道模块
2018.06 v1.8 新分布式策略API, 概率编程工具
2018.08 v1.10 集成cloud big table
2018.10 v1.12 侧重于可用性的api改进
2019.03 v2.0

二、TF1.0

1.TF1.0特性

XLA accelerate linear algebra
- 训练速度提升x58
- 可在移动设备运行
引入高级别API tf.layers/tf.metrics/tf.losses/tf.kreas
TF调试器
支持docker，引入TF serving服务

2.TF1.0架构

$[外链图片转存失败(img-ugupmD7h-1562292488366)(C:\Users\Avins\AppData\Roaming\Typora\typora-user-images\1562227113648.png)]$

三、TF2.0

1.TF2.0特性

使用tf.keras和eager mode 使得模型构建更加简单
鲁棒的跨平台模型部署
强大的研究实验
清除不推荐使用的API和减少重复API

2.TF2.0架构

$[外链图片转存失败(img-t8CsFDbn-1562292488377)(C:\Users\Avins\AppData\Roaming\Typora\typora-user-images\1562227491331.png)]$

3.简化开发流程

$[外链图片转存失败(img-OQhJPOM1-1562292488379)(C:\Users\Avins\AppData\Roaming\Typora\typora-user-images\1562227477068.png)]$

4.跨平台模型部署

在这里插入图片描述

5.强大研究实验

$[外链图片转存失败(img-Dr6kzTB3-1562292488381)(C:\Users\Avins\AppData\Roaming\Typora\typora-user-images\1562227706970.png)]$

四、TF vs PyTorch

1.入门时间

$[外链图片转存失败(img-p3oQuCzr-1562292488382)(C:\Users\Avins\AppData\Roaming\Typora\typora-user-images\1562228525504.png)]$

2.图创建和调试

$[外链图片转存失败(img-FjHm7eKY-1562292488383)(C:\Users\Avins\AppData\Roaming\Typora\typora-user-images\1562228540096.png)]$

例子：1+1/2+1/2^2+…+1/250

TF1.0

import tensorflow as tf
a = tf.Variable(0.)
b = tf.Variabel(1.)
add_op = tf.assign(a+b)
div_op = tf.assign(b/2)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(50):
        sess.run(add_op)
        sess.run(div_op)
    print(a.eval())

TF2.0

import tensorflow as tf
a = tf.Variable(0.)
b = tf.Variable(1.)
for i in range(50):
    a = a + b
    b = b / 2
print(a.numpy())

PyTorch

import torch
a = torch.Tensor([0.])
b = torch.Tensor([1.])
for i in range(50):
    a = a + b
    b = b / 2
print(a)

3.全面性

$[外链图片转存失败(img-YGSGd3bs-1562292488383)(C:\Users\Avins\AppData\Roaming\Typora\typora-user-images\1562229244597.png)]$

4.序列号与部署

$[外链图片转存失败(img-drSUKBRi-1562292488386)(C:\Users\Avins\AppData\Roaming\Typora\typora-user-images\1562229298084.png)]$

TF-keras

一、keras简介

$[外链图片转存失败(img-YxcQYRpK-1562292488387)(C:\Users\Avins\AppData\Roaming\Typora\typora-user-images\1562231574953.png)]$

二、tf.keras简介

$[外链图片转存失败(img-Zzt7wvlV-1562292488388)(C:\Users\Avins\AppData\Roaming\Typora\typora-user-images\1562231655065.png)]$

三、tf.keras 与 keras联系与区别