什么是TensorFlow机器智能平台？

TensorFlow是用于使用数据流图进行数值计算的开源软件库。 它最初是由Google机器智能研究组织内的Google Brain团队开发的，用于机器学习和深度神经网络研究，但该系统具有足够的通用性，还可以应用于其他广泛领域。 它在2017年2月达到1.0版 ，并且持续快速发展，到目前为止有21,000多个提交，其中许多来自外部贡献者。 本文介绍TensorFlow，其开源社区和生态系统，并重点介绍一些有趣的TensorFlow开源模型。

TensorFlow是跨平台的。 它几乎可以在所有设备上运行：GPU和CPU（包括移动平台和嵌入式平台），甚至张量处理单元（ TPU ） ，后者是进行张量数学运算的专用硬件。 它们尚未广泛使用，但是我们最近启动了一个alpha程序 。

^{图片来自Google.com}

TensorFlow分布式执行引擎抽象出了许多受支持的设备，并为TensorFlow平台提供了以C ++实现的高性能内核。

图层API为深度学习模型中的常用 图层提供了更简单的接口。 顶部有坐的更高级别的API，包括 Keras （更多有关 Keras.io网站 ）和 估算的API ，这使得培训和评估分布式模型更容易。

最后，许多常用的模型都可以立即使用，并且还有更多可用。

TensorFlow执行模型

图表

机器学习很快就会变得复杂，深度学习模型也会变得庞大。 对于许多模型图，您需要进行分布式培训，以便能够在合理的时间范围内进行迭代。 而且，您通常会希望将开发的模型部署到多个平台。

使用当前版本的TensorFlow，您可以编写代码来构建计算图，然后执行它。 该图是一个数据结构，它完全描述了您要执行的计算。 这有很多优点：

• 它具有可移植性，因为图形可以立即执行或保存以供以后使用，并且可以在多个平台上运行：CPU，GPU，TPU，移动，嵌入式。 同样，它可以部署到生产环境中，而不必依赖于构建图形的任何代码，而无需执行图形所需的运行时。
• 它是可变形和可优化的，因为可以对图形进行转换以针对给定平台生成更优化的版本。 同样，可以执行内存或计算优化，并在它们之间进行权衡。 例如，这对在大型机器上进行训练后支持更快的移动推理很有用。
• 支持分布式执行

TensorFlow的高级API与计算图相结合，可在同一框架中实现丰富灵活的开发环境和强大的生产能力。

急于执行

TensorFlow即将推出的新功能是渴望执行 ，这是编写TensorFlow的必要方式。 启用急切执行时，您将立即执行TensorFlow内核，而不是构造稍后将执行的图。

为什么这很重要？ 四个主要原因：

• 您可以轻松检查和调试图形中的中间值。
• 您可以在TensorFlow API中使用Python控制流-循环，条件，函数，闭包等。
• 急切的执行应该使调试更加直接。
• Eager的“按运行定义”语义将使构建和训练动态图变得容易。

一旦对TensorFlow代码的运行感到满意，就可以将其自动转换为图形。 这将使保存，移植和分发图形更加容易。

此界面处于早期（预Alpha）阶段。 在GitHub上继续 。

TensorFlow和开源软件社区

TensorFlow在很大程度上是开源的，以允许社区通过贡献来对其进行改进。 TensorFlow团队已建立流程来管理拉取请求，审阅和路由已提交的问题，并回答堆栈溢出和邮件列表问题。

到目前为止，我们已经向代码中添加了890多个外部贡献者，从小型文档修复到大型添加（如OS X GPU支持或OpenCL实现） ，无所不包。 （更广泛的TensorFlow GitHub组织拥有近1,000个非Googler独特的贡献者。）

Tensorflow在GitHub上有超过76,000个star，并且使用它的其他存储库的数量每个月都在增长-截至撰写本文时，已有20,000多个。

其中许多是社区创建的教程，模型，翻译和项目。 如果您刚开始进行机器学习任务，那么它们可能是很好的例子。

TensorFlow团队对Stack Overflow进行监控，这是一种获得问题答案