斯坦福课程“CS 20SI：TensorFlow for Deep Learning Research”中文讲义（1）

课程网站：http://web.stanford.edu/class/cs20si/index.html

讲义1：TensorFlow简介

翻译：弓小长

“CS 20SI：TensorFlowfor Deep Learning Research”（cs20si.stanford.edu）

由Chip Huyen编写（huyenn@stanford.edu）

审校：Danijar Hafner，JonGautier，Minh-Thang Luong，PaulWarren

编写“TensorFlowfor Machine Intelligence”一书的人为TensorFlow的存在给了一个很好的理由，这也是我要引用的：“虽然深度学习背后的数学概念已经存在了数十年，但致力于创建和训练这些深度模型的编程库在近几年才刚刚起步。”

不幸的是，大部分编程库在灵活性和生产价值之间有很大的折衷。灵活的库对于研究新的模型体系结构来说是非常宝贵的，但这些库要么太慢，要么不能用于工业生产。另一方面，已经出现了可以在分布式硬件上托管的快速、高效的库，但是它们通常用于特定的神经网络，并且不适于研究新的和更好的模型。这将决策者带入了两难的困境：我们应该用不灵活的库进行研究以便我们不必重新实现代码，还是应该用一个库进行研究而用另一个完全不同的库来进行生产？如果选择前者，我们可能无法检验出不同类型的神经网络模型; 如果我们选择后者，我们必须维护这些可能完全不同的API的代码。我们是否有这方面的资源？

TensorFlow的目标是解决这个困境。

那么什么是TensorFlow？

TensorFlow最初是作为内部机器学习工具由Google创建的，2015年11月在Apache 2.0许可下发布开源版本。为了更好地理解什么是TensorFlow，让我们来看看它的创建者对它的看法。

在TensorFlow的网站上，我们看到：

标语：机器智能的开源软件库。

定义：TensorFlow™是使用数据流图进行数值计算的开源软件库。

我们可以看到TensorFlow是开源的。但是请注意，我们在GitHub上看到的只有TensorFlow的实现是开源的，Google仍拥有TensorFlow的内部版本。据说，谷歌这么做是因为TensorFlow与其他内部工具之间有复杂关系，而并非Google“囤积好东西”。我们希望最好是这样。

我们留意到另一个关键词，TensorFlow是“机器智能软件库”。它是大公司开发的十几个机器智能库之一，可能是最新的一个。 当前深度学习库的列表，请访问此链接。

为什么是TensorFlow?

有这么多库，为什么我们这门课要教授TensorFlow？

我们选择库的第一个标准是这个库是流行的。根据我们在斯坦福大学同行中的观察，这些深度学习库列表中有四个库是最流行，分别是Theano，Torch和TensorFlow。

Torch框架是用Lua编写的，这是一种很棒的语言，但不幸的是我们并不熟悉这个语言，在游戏开发社区和深度学习社区之外，它也不是很流行。

对Theano而言，“Fundamentals of Deep Learning（深度学习基础）”一书对TensorFlow和Theano做了一个很好的比较：“首先，Theano有一个额外的”图形编辑“步骤，在创建某种深度学习架构时会花费大量的时间。与训练时间相比，这个编译阶段虽然很小，但是在编写和调试新代码的时候它还是很令人沮丧的。其次，与Theano相比，TensorFlow拥有更干净的界面。在不牺牲框架表现力的情况下，很多种类的模型可以用更少的行来表示。最后，TensorFlow立足于工业应用，而Theano是由研究人员几乎纯粹为研究目的而设计的。因此，TensorFlow拥有许多开箱即用的功能，使其成为真实系统的更好选择（能够在移动环境中运行，单机多GPU上轻松构建模型，并且可以训练大规模的分布式网络）。出于这些原因，TensorFlow成为了深度学习的首选库。

总之，我们选择了TensorFlow，因为：

• Python API
• 可移植性：使用单个API将计算部署到桌面（或服务器、移动设备）中的一个或多个CPU（或GPU）
• 灵活性：从Raspberry Pi，Android，Windows，iOS，Linux到服务器群
• 可视化（TensorBoard is da bomb）
• 检查点（用于管理实验）
• 自动分化autodiff（不再需要手工）
• 大型社区（一年内> 10,000次的评论和超过3000次的与TF相关的提问）
• 已经使用TensorFlow的令人敬畏的项目

TensorFlow是新的，但它已经在工业界和学术界获得了关注。下面是注册了CS20SI课程的293名学生使用深度学习库的情况。其中，“None”意味着从未使用过任何深度学习库。

图1 293名学生使用深度学习库的情况

图2学生对不同深度学习库教程的需求图

使用TensorFlow的公司：

• Google
• DeepMind
• OpenAI
• Snapchat
• Uber
• Airbus
• eBay
• Dropbox
• 一大堆初创公司

一些使用TensorFlow的酷项目：

• DeepMind的WaveNet文本转语音
• Google Brain的Magenta项目，利用机器学习创造引人注目的艺术和音乐
• 神经风格翻译
• Google翻译的重大改进

使用TensorFlow的真实项目示例，取自GoogleResearch Blog，2016：

• 澳大利亚海洋生物学家正在使用TensorFlow从成千上万章高分辨率照片中来查找濒临灭绝的海牛，以便更好的理解海牛群体。
• 一个日本农场主用TensorFlow训练了一个模型来排列黄瓜的大小，形状和其他特征。
• 放射科医师采用TensorFlow来从医学图像中识别帕金森病的迹象。
• 湾区的数据科学家已经安装了TensorFlow和Raspberry Pi来跟踪Caltrain。

这不是很酷吗？

开始使用单行TensorFlow

这部分很酷，但不是那么重要。 你可以跳过单行TensorFlow的世界。

1. TF Learn（tf.contrib.learn）

TensorFlow有一个简化的界面，即TF Learn（TensorFlow.contrib.learn），提供了用户可以直接调用的现成模型。这是为了模仿scikit-learn而创建的，目的是为了平滑从单行机器学习的scikit-learn世界向构建不同机器学习模型的更加开放的世界的过渡。实际上，TF Learn最初是一个名为Scikit Flow（SKFlow）的独立项目。

TF Learn允许加载数据，构建模型，使用训练数据拟合模型，评估准确性，而这每一步只需一行代码即可实现。你可以使用一行代码调用的TF Learn模型包括LinearClassifier，LinearRegressor，DNNClassifier。Google有非常好的教程，介绍如何使用TF Learn构建自定义模型。

TFLearn中的DNNClassifier文档：GitHub上TF Learn的一个例子。

iris.py

# Load dataset.加载数据集

iris = tf.contrib.learn.datasets.load_dataset('iris')

x_train, x_test, y_train, y_test = cross_validation.train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)

# Build 3 layer DNN with 10, 20, 10 units respectively.创建包含10，20，10个单元的三层DNN

feature_columns = tf.contrib.learn.infer_real_valued_columns_from_input(x_train)

classifier = tf.contrib.learn.DNNClassifier(feature_columns=feature_columns, hidden_units=[10, 20, 10], n_classes=3)

# Fit and predict.拟合模型并预测

classifier.fit(x_train, y_train, steps=200)

predictions = list(classifier.predict(x_test, as_iterable=True))

score = metrics.accuracy_score(y_test, predictions)

print('Accuracy: {0:f}'.format(score))

你可以看到TF Learn允许使用一行代码加载数据，一行代码将数据进行拆分，并且可以调用内置的DNNClassifier来创建用户指定隐藏单位数目的深度神经网络分类器。 在这种情况下，第一层有10个隐藏单元，第二层有20个隐藏单元，第三层有10个隐藏单元。 你还可以指定标签类的数量，优化方法（例如，梯度下降）或初始权重。

你可以访问TFLearn示例资料库以获取更多TF Learn的示例。 但是，请记住，大多数内置模型都是使用不推荐使用的函数来实现的，所以如果你调用它们，你会看到很多警告。

2. TF-Slim（tf.contrib.slim）

另一个简单的称为TF-Slim的API来简化构建、训练和评估神经网络。

3.顶级TensorFlow上的高级API

在TensorFlow之上建立了许多高层次的API。一些最流行的API包括Keras（keras @ GitHub），TFLearn（tflearn @ GitHub）和Pretty Tensor（prettytensor @ GitHub的）。

注意：不要将高级APITFLearn（TF和Learn之间没有空格）与简化的界面TF Learn混淆。 TFLearn支持最近的大多数深度学习模型，例如ConvNets，LSTM，BiRNN，ResNets，生成网络和BatchNorm，PReLU等特征。 TFLearn由AymericDamien开发。

剧透警报：Aymeric将在几个星期内作为嘉宾授课！

但是，TensorFlow的主要目的不是提供开箱即用的机器学习解决方案。相反，TensorFlow提供了广泛的函数和类，允许用户从头开始定义模型。这更复杂，但提供更多的灵活性。

你可以在TensorFlow中构建几乎所有你能想到的架构。

数据流图

定义中的另一个关键词是“数据流图”。 这个关键词意味着TF在图中完成所有的计算。

请参阅第一讲的幻灯片（从第23页开始）了解更多详情！

http://danijar.com/what-is-a-TensorFlow-session/

会话还将分配内存来存储变量的当前值。

正如你所看到的，我们的变量的值只在一个会话中有效。如果我们试图在第二个会话中查询这个值，TensorFlow会产生一个错误，因为这个变量没有在那里初始化。

参考文献：

[1]https://www.TensorFlow.org/

[2]“TensorFlow for Machine Intelligence”

[3]“Hands-On Machine Learning with Scikit-Learn and TensorFlow”. Chapter 9: Up andrunning with TensorFlow

[4] “Fundamentalsof Deep Learning”. Chapter 3: Implementing Neural Networks in TensorFlow.