人工智能AI培訓(xùn)_TensorFlow 開(kāi)發(fā)基礎(chǔ)

1.TensorFlow是什么
TensorFlow是谷歌開(kāi)源的第二代用于數(shù)字計(jì)算的軟件庫(kù)，它可以很好的支持深度學(xué)習(xí)的各種算法，但它的應(yīng)用不局限于深度學(xué)習(xí)，可以支持多種計(jì)算平臺(tái)，系統(tǒng)穩(wěn)定性較高。為了更好理解它，從以下幾個(gè)方面介紹：
1）TensorFlow是一個(gè)采用數(shù)據(jù)流圖（data flow graphs），用于數(shù)值計(jì)算的開(kāi)源軟件庫(kù)。
2）從命名來(lái)理解：Tensor（張量）意味著N維數(shù)組，F(xiàn)low（流）意味 著基于數(shù)據(jù)流圖的計(jì)算。Tensorflow運(yùn)行過(guò)程就是張量從圖的一端流動(dòng)到另一端的計(jì)算過(guò)程。
3）TensorFlow的開(kāi)發(fā)過(guò)程中，重點(diǎn)在于構(gòu)建執(zhí)行流圖。也就是：“Data Flow Graphs”，表示TensorFlow是一種基于圖的計(jì)算框架，其中節(jié)點(diǎn)（Nodes）在圖中表示數(shù)學(xué)操作，線（Edges）則表 示在節(jié)點(diǎn)間相互聯(lián)系的多維數(shù)據(jù)數(shù)組，即張量（Tensor），這種基于流的架構(gòu)讓 TensorFlow具有非常高的靈活性。
2.TensorFlow的特點(diǎn)
1）真正的可移植性
引入各種計(jì)算設(shè)備的支持包括CPU/GPU/TPU，以及能夠很好地運(yùn)行在移動(dòng)端，如安卓、ios、等等
2）多語(yǔ)言支持
Tensorflow 有一個(gè)合理的c++使用界面，也有一個(gè)易用的python使用界面來(lái)構(gòu)建和執(zhí)行你的graphs，你可以直接寫python/c++程序。
3）高度的靈活性與效率
TensorFlow是一個(gè)采用數(shù)據(jù)流圖（data flow graphs），用于數(shù)值計(jì)算的開(kāi)源軟件庫(kù)能夠靈活進(jìn)行組裝圖，執(zhí)行圖。隨著開(kāi)發(fā)的進(jìn)展，Tensorflow的效率不算在提高
4）支持
TensorFlow 由谷歌提供支持，谷歌投入了大量精力開(kāi)發(fā) TensorFlow，它希望 TensorFlow 成為機(jī)器學(xué)習(xí)研究人員和開(kāi)發(fā)人員的通用語(yǔ)言
3.TensorFlow可以做什么
自動(dòng)駕駛小車
生成音樂(lè)
圖像識(shí)別
語(yǔ)音識(shí)別
語(yǔ)言模型
人體行為識(shí)別
定理證明
拿來(lái)玩馬里奧賽車…

4.TensorFlow計(jì)算過(guò)程

?

TensorFlow基于數(shù)據(jù)流圖，用于大規(guī)模分布式數(shù)值計(jì)算的開(kāi)源框架。節(jié)點(diǎn)表示某種抽象的計(jì)算，邊表示節(jié)點(diǎn)之間相互聯(lián)系的張量。
TensorFlow是一個(gè)通過(guò)計(jì)算圖的形式來(lái)表述計(jì)算的編程系統(tǒng)，是以張量（tensor）在計(jì)算圖（graph）上流動(dòng)（flow）的方式實(shí)現(xiàn)和執(zhí)行機(jī)器學(xué)習(xí)/深度學(xué)習(xí)算法的框架。
5.TensorFlow架構(gòu)

下圖是TF的系統(tǒng)架構(gòu)，從底向上分為設(shè)備管理和通信層、數(shù)據(jù)操作層、圖計(jì)算層、API接口層、應(yīng)用層。其中設(shè)備管理和通信層、數(shù)據(jù)操作層、圖計(jì)算層是TF的核心層。

?

底層設(shè)備通信層負(fù)責(zé)網(wǎng)絡(luò)通信和設(shè)備管理。設(shè)備管理可以實(shí)現(xiàn)TF設(shè)備異構(gòu)的特性，支持CPU、GPU、Mobile等不同設(shè)備。網(wǎng)絡(luò)通信依賴gRPC通信協(xié)議實(shí)現(xiàn)不同設(shè)備間的數(shù)據(jù)傳輸和更新。
第二層是Tensor的OpKernels實(shí)現(xiàn)。這些OpKernels以Tensor為處理對(duì)象，依賴網(wǎng)絡(luò)通信和設(shè)備內(nèi)存分配，實(shí)現(xiàn)了各種Tensor操作或計(jì)算。Opkernels不僅包含MatMul等計(jì)算操作，還包含Queue等非計(jì)算操作。Kernel層可以跑在cpu上也可以跑在gpu上。
第三層是圖計(jì)算層（Graph），包含本地計(jì)算流圖和分布式計(jì)算流圖的實(shí)現(xiàn)。Graph模塊包含Graph的創(chuàng)建、編譯、優(yōu)化和執(zhí)行等部分，Graph中每個(gè)節(jié)點(diǎn)都是OpKernels類型表示。
第四層是API接口層。Tensor C API是對(duì)TF功能模塊的接口封裝，便于其他語(yǔ)言平臺(tái)調(diào)用。
第四層以上是應(yīng)用層。不同編程語(yǔ)言在應(yīng)用層通過(guò)API接口層調(diào)用TF核心功能實(shí)現(xiàn)相關(guān)實(shí)驗(yàn)和應(yīng)用。
TensorFlow的內(nèi)核引擎使用C++實(shí)現(xiàn)的，效率是很高的。TensorFlow的內(nèi)核封裝實(shí)現(xiàn)了NN、CNN等基本機(jī)器學(xué)習(xí)算法。前端應(yīng)用層支持Python或C++，一般用Python（AI領(lǐng)域第一編程語(yǔ)言）。在應(yīng)用層，如果使用了其他的Python耗時(shí)操作（如數(shù)據(jù)預(yù)處理等），可能效率會(huì)比較低，但這不是TensorFlow造成的。
6.TensorFlow開(kāi)發(fā)環(huán)境搭建
推薦使用Anaconda3+Pycharm來(lái)開(kāi)發(fā)，安裝過(guò)程可參考以下博客文章
https://blog.csdn.net/albert201605/article/details/79090620/
7.TensorFlow簡(jiǎn)單示例

'''
1.引入tensorflow
2.定義常量、變量
3.創(chuàng)建Session會(huì)話
4.調(diào)用Session中的run()方法來(lái)運(yùn)行，得出結(jié)果
5.關(guān)閉seession
'''
#引入tensorflow
importtensorflowastf
#定義常量
hello = tf.constant("hello,tensorflow")
a = tf.constant(10)
b = tf.constant(20)
withtf.Session()assess:
print(sess.run(hello))
print(sess.run(a + b))