1.tensorflow作为一个科学计算库
把它分装一下,可以将其运用到深度学习中,也可以封装一下应用到机器学习中。它是基于numpy的。
而sklearn是基于numpy之上的。
2.一般不把tensorflow应用在机器学习中
之前学的机器学习用sklearn库,只能在一台机子上跑。想分布式跑可以用大数据实现,但是比较难。因为搞机器学习的人只懂Python。用大数据的话门槛有点儿高。因为大数据中大多用的是Java和scala。如果把tensorflow用于机器学习呢,虽然可以解决分布式问题,但是因为一些机器学习算法用tensorflow是无法实现的,而且深度学习可以在GPU和CPU上运行,而机器学习都在CPU上运行。所以一般不把tensorflow应用在机器学习中。
3.sklearn受限于单机计算,tensorflow框架更注重于编程
性能不是太好,而深度学习很容易将准确率训练高。
tensorflow框架更注重于编程,caffe框架主要是修改一些配置文件,和编程没有多少关系,难。它们主要区别是它们构建网络的方式不一样或API不一样,其他是类似的。
有时候用tensorflow的一个简单的算法就可以把效果实现的很好。而可能在机器学习中要用到好多东西。
所以说,Tensorflow只是一个基础,至于你把它用到哪儿,自己说了算。
4.tensorflow不同版本没啥大区别
可能就是一些API中参数顺序换了或其他啥的
5.tensorflow、tensorboard
tensorflow就是平时说的tensorflow
tensorflow-tensorboard是指可视化界面
6.tensorflow中的数据类型,调用格式:eg:tf.float32
tensorflow中的数据是有数据类型的,调用格式有点特别。比如tf.XXX等。
并且要求参加运算的数据的数据类型是一致的
7.tensorflow图中节点中有一个操作是有状态的操作
Assign,AssignAdd,这两个API相当于变量更新的操作,会涉及到控制依赖的问题。
8.用tensorflow框架时,模型的保存和加载就用save和restore。
不管是机器学习还是深度学习,只要是tensorflow,模型的保存和加载就用save和restore。
9.tensorflow的加速
在tensorflow中,有时候为了加速就会遇到队列和同步操作。
10.tensorflow中的图和默认图
在tensorflow中,有一张默认图,一般情况下,用它就行了。注意:若构建了多个图,即使是代码写在一块,若多个图之间的节点或数据存在依赖,运行时候就会报错。
但它是支持多个图在一个程序中构建的。
11.tensorflow的程序一般分为两个阶段
构建阶段和执行阶段