TensorFlow概要、环境搭建及应用

一、TensorFlow概要

 

什么是TensorFlow？

 

TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，是一个采用数据流图（data flow graphs），用于数值计算的开源的机器学习库。

Tensorflow的命名来源于本身的运行原理：Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，数据流图中的图就是我们所说的有向图。在图这种数据结构中包含两种基本元素：节点和边。这两种元素在数据流图中有自己各自的作用：节点用来表示要进行的数学操作，任何一种操作都有输入\输出,因此它也可以表示数据的输入的起点\输出的终点；边表示节点与节点之间的输入\输出关系，一种特殊类型的数据沿着这些边传递。这种特殊类型的数据在TensorFlow被称之为tensor，即张量，所谓的张量通俗点说就是多维数组。当我们向这种图中输入张量后，节点所代表的操作就会被分配到计算设备完成计算。TensorFlow就是张量从流图的一端流动到另一端的计算过程。

下面这张图可以帮我们了解Tensorflow的基本工作流程：

 

为什么要用TensorFlow？

 

TensorFlow既是一个实现机器学习算法的接口，同时也是执行机器学习算法的框架。它前端支持Python、C++、Go、Java等多种开发语言，后端使用C++、CUDA等写成。TensorFlow实现的算法可以在众多异构的系统上方便地移植，如Android、iPhone、CPU服务器，乃至大规模的GPU集群。除了执行深度学习算法，TensorFlow还可以用来实现很多其他算法，包括线性回归、逻辑回归、随机森林等。TensorFlow建立的大规模深度学习模型的应用场景也非常广，包括语音识别、自然语言处理、计算机视觉、机器人控制、信息抽取、药物研发、分子活动预测等，使用TensorFlow开发的模型也在这些领域获得了最前沿的成果。

 

TensorFlow有哪些特性？

 

·        灵活性：非严格的“神经网络”库。这意味着我们的计算只要能够表示为数据流图，就能够使用。