![da218af3b7728e594b63eb418d473e8f.png](https://i-blog.csdnimg.cn/blog_migrate/be699bc8ddb308c5e200a222a8417e4f.jpeg)
TensorFlow有5个不同的层次结构:即硬件层,内核层,低阶API,中阶API,高阶API。本章我们将以线性回归为例,直观对比展示在低阶API,中阶API,高阶API这三个层级实现模型的特点。
TensorFlow的层次结构从低到高可以分成如下五层。
最底层为硬件层,TensorFlow支持CPU、GPU或TPU加入计算资源池。
第二层为C++实现的内核,kernel可以跨平台分布运行。
第三层为Python实现的操作符,提供了封装C++内核的低级API指令,主要包括各种张量操作算子、计算图、自动微分.
如tf.Variable,tf.constant,tf.function,tf.GradientTape,tf.nn.softmax...
如果把模型比作一个房子,那么第三层API就是【模型之砖】。
第四层为Python实现的模型组件,对低级API进行了函数封装,主要包括各种模型层,损失函数,优化器,数据管道,特征列等等。
如tf.keras.layers,tf.keras.losses,tf.keras.metrics,tf.keras.optimizers,tf.data.Dataset,tf.feature_column...
如果把模型比作一个房子,那么第四层API就是【模型之墙】。
第五层为Python实现的模型成品,一般为按照OOP方式封装的高级API,主要为tf.keras.models提供的模型的类接口。
如果把模型比作一个房子,那么第五层API就是模型本身,即【模型之屋】。
![53f70106b6b7ab737c024dde57703c64.png](https://i-blog.csdnimg.cn/blog_migrate/8474ef1f9bb8c7409f7a4ca17afef4ad.jpeg)
下面的范例使用TensorFlow的高阶API实现线性回归模型。
TensorFlow的高阶API主要为tf.keras.models提供的模型的类接口。
使用Keras接口有以下3种方式构建模型:使用Se