机器学习框架_一文了解机器学习框架-TensorFlow的原理和用途

TensorFlow是Google开发的第二代分布式机器学习系统。于2015年11月在Github上开源，并于2017年1月发布了1.0版本的预览，API接口趋于稳定。目前TensorFlow正处于快速迭代中。有大量的新功能及性能优化在持续研发中。

TensorFlow设计之初是加速机器学习的研究，并快速的将研究原型转化为产品。除了TensorFlow，Google也开源过大量成功的项目，包括大名鼎鼎的操作系统Android，浏览器Chromium,编程语言Go，JavaScript引擎V8，数据交换框架Protobuf，编译工具Bazel，OCR工具Tensseract等共计数百个高质量项目。

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面的移植，比如Android手机，iPhone,普通的CPU服务器，乃至大规模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中的计算可以表示为一个有向图，或称计算图，其中每一个运算操作将作为一个节点，节点与节点直接的连接称为边，这个计算图描述了数据的计算流程，它负责维护和更新状态，用户可以对计算图的分支进行条件控制或循环操作。计算图中的每一个节点可以有任意多个输入和任意多个输出，每一个节点描述了一种运算操作。节点也可以算是运算操作的实例化，在计算图的边中流动(flow)的数据被称为张量(tensor),故得名TensorFlow。