tensorflor简介

tensorflow简介

Google开源的深度学习框架

• 采用数据流图，用于数值计算

1. 节点-----处理数据
2. 线-------节点间的输入输出关系
3. 线上运输tensor张量(什么是tensor？tensor就是所有的n维数据，所有的n维数据就构成了tensorflow的数据集合。对于0维数据就是一个数字，一维数据就是向量，n维数据就是矩阵)
4. 节点被分配到各种计算设备上运行

什么是算子？算子就是上图tensorflow数据流图中的节点所进行的各种各样的运算

• 支持多种平台---GPU、CPU、移动设备
• 最初用于深度学习，变得越来越通用

特性

• 高度的灵活性

• 真正的可移植性

• 产品和科研结合

• 自动求微分

• 多语言支持

• 性能最优化

Tensorflow版本变迁

Tensorflow1.0---主要特性

• XLA----Accelerate Linear Algebra加速线性代数
• 引入更高级别的API---tf.layers/tf.metrics/tf.losses/tf.keras
• Tensorflow调试器
• 支持docker镜像，引入tensorflow serving服务
• 静态图

Tensorflow2.0---主要特性

• 使用tf.keras和eager mode进行更加简单的模型构建
• 鲁棒的跨平台模型部署
• 强大的研究实验
• 清除不推荐使用的API和减少重复来简化API

Tensorflow2.0---简化的模型开发流程

1. 使用tf.data加载数据

2. 使用tf.keras构建模型，也可以使用premade estimator来验证模型(使用tensorflow hub进行迁移学习)

3. 使用eager mode进行运行和调试

4. 使用分发策略来进行分布式训练

5. 导出到SavedModel

6. 使用Tensorflow Serve、Tensorflow Lite、Tensorflow.js部署模型

Tensorflow2.0---强大的研究实验

1. keras功能API和子类API，允许创建复杂的拓扑结构

      2. 自定义训练逻辑，使用tf.GradientTape和tf.custom_gradient进行更细粒度的控制

      3. 低层API自始至终可以与高层结合使用，完全的可定制

      4. 高级拓展：Ragged Tensors、Tensor2Tensor等