Tensorflow的训练流程和部署流程你知道吗？

• 训练流程

• 数据的处理：使用tf.data和TFRecord可以高效地构建和预处理数据集，构建训练数据流。同时可以使用TensorFlow Datasets快速载入常用的公开数据集。
• 模型的建立与调试：使用即时执行模式和著名的神经网络高层API框架Keras，结合可视化工具TensorBoard，简易、快速地建立和调试模型。也可以通过TensorFlow Hub方便地载入已有的成熟模型。
• 模型的训练：支持在CPU、GPU、TPU上训练模型，支持单机和多机集群并行训练模型，充分利用海量数据和计算资源进行高效训练。
• 模型的导出：将模型打包导出为统一的SavedModel格式。方便迁移和部署。

• 部署流程

• 服务器部署：使用TensorFlow Serving在服务器上为训练完成的模型提供高性能、支持并发、高吞吐量的API。
• 移动端和嵌入式设备部署：使用使用TensorFlow Lite将模型转换为体积小、高效率的轻量化版本，并在移动端、嵌入式端等功耗和计算能力受限的设备上运行，支持使用GPU代理进行硬件加速，还可以配合Edge TPU等外接硬件加速运算。
• 网页端部署：使用TensorFlow.js，在网页端等支持JavaScript运行的环境上也可以运行模型，支持使用WebGL进行硬件加速。