了解一下好的TensorFlow框架中需要包含哪些內(nèi)容

1、TensorFlow的演進歷史

2011年Google開發(fā)了它的第一代分布式機器學(xué)習(xí)系統(tǒng)DistBelief，著名計算機科學(xué)家杰夫·迪恩（Jeff Dean）和深度學(xué)習(xí)專家吳恩達（Andrew ）都是這個項目成員。升級版的DistBelief就是大家熟悉的TenorsFlow，2015年11月發(fā)布了0.1版本，并正式開源；2017年2月發(fā)布1.0版本，是當(dāng)時應(yīng)用最普遍的深度學(xué)習(xí)框架；2019年春發(fā)布2.0版本，在易用性上做了很大提升；現(xiàn)在TensorFlow官網(wǎng)已經(jīng)Release了V 2.11。TensorFlow有幾大優(yōu)勢。

首先，它出身好。

出身在谷歌這個大戶人家，基礎(chǔ)是Google自用的分布式機器學(xué)習(xí)系統(tǒng)DistBelief，而作為DistBelief的繼承者，TensorFlow更快、更靈活、具有更強的適用性，也被譽為是谷歌“AI First”轉(zhuǎn)型重要支點之一。

開發(fā)團隊能力卓越。

Google的技術(shù)能力不用再說了，這個項目中的成員吳恩達（Andrew ）和杰夫·迪恩（Jeff Dean）都是AI領(lǐng)域響當(dāng)當(dāng)?shù)拿恕＿@里重點介紹一下Jeff Dean，他在硅谷就是傳奇，美國工程院院士，2021年IEEE馮諾依曼獎獲得者（獲獎理由是“以表彰對大規(guī)模分布式計算機系統(tǒng)和人工智能系統(tǒng)科學(xué)與工程的貢獻”）。Jeff在1999年加入谷歌，是谷歌的第20號員工，谷歌大腦、開源框架TensorFlow、谷歌廣告系統(tǒng)、谷歌搜索系統(tǒng)等關(guān)鍵技術(shù)的重要創(chuàng)始人之一，現(xiàn)在是谷歌AI掌門人。

Jeff Dean實在太過強大，傳說硅谷的工程師們編出了不少關(guān)于他有多牛的段子。比如，“All pointers point to Jeff Dean”（所有指針都是指向Jeff的），“Compilers don't warn Jeff Dean. Jeff Dean warns compilers.”（編譯器從來不給Jeff編譯警告，而是Jeff警告編譯器），“Jeff Dean's keyboard has two keys: 1 and 0.”（Jeff的鍵盤只有兩個鍵：1和0）。

產(chǎn)品不斷迭代，持續(xù)進步。

Tensorflow這個平臺有許多更新和版本，一直在不斷滿足開發(fā)者不斷增長的需求，列舉這些年來的一些主要發(fā)展

推出TPU專用芯片，夯實硬件底座：Google在2015年開始使用張量處理單元TPU，2017年發(fā)布第二代，在2018年發(fā)布第三代，2021年發(fā)布第四代。TPU作為專用人工智能加速處理器就是使用TensorFlow開發(fā)，2018年，Google宣布TPU它的云平臺上進行beta測試。

應(yīng)用范圍擴展，支持移動和物聯(lián)網(wǎng)設(shè)備：2017年發(fā)布TensorFlow Lite用于移動和物聯(lián)設(shè)備上部署ML模型，在圖像分類、物體分類等方面都有應(yīng)用。

集成的模塊和工具不斷改進，提升易用性：如推出TensorFlow Extended （TFX），用于部署生產(chǎn)ML管道的端到端平臺，幫助用戶完成從研究到生產(chǎn)的階段的轉(zhuǎn)換。又如TensorFlow.js，一個用JavaScript開發(fā)模型的ML庫，可以直接在瀏覽器或Node.js中使用ML，開發(fā)人員可以使用靈活的API直接在JavaScript中構(gòu)建和訓(xùn)練模型。

大版本持續(xù)升級，提升易用性："TensorFlow 2.0 is coming"就是直接面對越來越受歡迎的PyTorch的激烈競爭，TensorFlow于2019年9月發(fā)布了TensorFlow 2.0版本，針對1.0版本調(diào)試困難、API混亂、入門困難、代碼晦澀等問題進行了重大升級，2.0版本擁有簡單直觀的API和更好的資源文檔，這個版本中TensorFlow基于語義版本將平臺模塊化。同時，官方提供了TensorFlow 1.x升級到2.0的遷移指南，還有一個自動轉(zhuǎn)換的腳本。

2、TensorFlow 2.0.0版本中最重要的變化點之一 -Keras

在TensorFlow官網(wǎng)上2.0.0版本Release中Highlights了Keras，說明如下，“TF2.0 delivers Keras as the central high level API used to build and train models. Keras provides several model-building APIs such as Sequential, Functional, and Subclassing along with eager execution, for immediate iteration and intuitive debugging”。如前文討論TensorFlow2.0版本升級的核心目標(biāo)是使TensorFlow更易于使用，更易于學(xué)習(xí)，同時也是應(yīng)對Pytroch等“好用”的開源框架的競爭，而Keras就是2.0版本最重要的改進點。

Keras的主要開發(fā)者是Google的工程師Fran?ois Chollet（也是一位大牛），這是一個由Python編寫的開源人工神經(jīng)網(wǎng)絡(luò)庫，可作為TensorFlow、Microsoft CNTK、Amazon MxNet等的高階應(yīng)用程序接口，進行深度學(xué)習(xí)模型的設(shè)計、調(diào)試、應(yīng)用和可視化。Keras在代碼結(jié)構(gòu)上由面向?qū)ο蠓椒ň帉?，完全模塊化并具有可擴展性，其運行機制和說明文檔有將用戶體驗和使用難度納入考慮，努力簡化復(fù)雜算法的實現(xiàn)難度 。Keras支持現(xiàn)今人工智能領(lǐng)域的主流算法，包括CNN和RNN等。硬件和開發(fā)環(huán)境方面，Keras支持多操作系統(tǒng)、支持多GPU并行計算，可根據(jù)后臺設(shè)置轉(zhuǎn)化為Tensorflow、CNTK等系統(tǒng)下的組件 。

在2.0版本Keras這中優(yōu)美的API與TensorFlow緊密集成，官方表示，對開發(fā)者來說TensorFlow 2.0用起來跟Python差不多。

3、TensorFlow里包含了哪些內(nèi)容？

（1）總覽：進入TenorFlow的官網(wǎng)（https://www.tensorflow.org）

我們可以理解為 ①Install環(huán)境+ ② TensorFlows生態(tài)內(nèi)容 +③ GitHub庫

（2）如今，TensorFlow 2.x是一個豐富的學(xué)習(xí)生態(tài)系統(tǒng)，除了核心學(xué)習(xí)引擎外，這里還有大量可免費使用的工具，我們展開盤點一下它包含哪些內(nèi)容

TensorFlow.js：一個API的集合，可直接在瀏覽器或Node.js中訓(xùn)練和部署機器學(xué)習(xí)模型。

TensorFlow Datasets：TensorFlow中包含的官方數(shù)據(jù)集。此外，還有可通過Google Research和Google支持的數(shù)據(jù)集搜索免費獲得的數(shù)據(jù)集。

TensorFlow Hub：包含經(jīng)過訓(xùn)練的機器學(xué)習(xí)模型的代碼庫，這些模型（如Bert，F(xiàn)ast R-CNN）稍作調(diào)整便可以部署到任何設(shè)備上。

TensorFlow Extended：也被稱作TFX，完整的端到端平臺，含轉(zhuǎn)換工具（Transform）、分析工具（Model Analysis）和服務(wù)系統(tǒng)（TensorFlow Serving）。

TensorFlow Lite：用于嵌入式和移動設(shè)備的TensorFlow的輕量級版本，支持應(yīng)用在Android和iOS上。

TensorBoard：用于檢查、調(diào)試和優(yōu)化模型及指標(biāo)的可視化環(huán)境。

TensorBoard Federated：在去中心化數(shù)據(jù)上使用機器學(xué)習(xí)和其他計算工作的框架。

TensorBoard Probability：將概率模型與深度學(xué)習(xí)相結(jié)合的框架。

TensorBoard Playground：用于可視化、調(diào)試和檢查神經(jīng)網(wǎng)絡(luò)的UI，常用于教育教學(xué)。

Accelerated Linear Algebra：線性代數(shù)的特定領(lǐng)域編譯器，可優(yōu)化TensorFlow計算，也被稱作XLA。

MLPerf：是ML基準(zhǔn)套件，用于測量ML軟件框架、ML硬件加速器和ML云平臺的性能。

4、TensorFlow安裝 （1）基礎(chǔ)環(huán)境

Ubuntu 16.04 或更高版本

Windows 7 或更高版本（含 C++ 可再發(fā)行軟件包）

macOS 10.12.6 (Sierra) 或更高版本（不支持 GPU）

（2）安裝Python：安裝3.6及以上的版本（官網(wǎng)要求），Windows系統(tǒng)可以在Python Releases for Windows | Python.org下載后安裝。

（3）下載并安裝TensorFlow（以windows環(huán)境舉例）

安裝并確認pip版本：

【1】右鍵點擊桌面左下角的開始圖標(biāo)，然后選擇運行，在彈出的窗口中輸入cmd，然后點擊確定；

【2】安裝高于20.3的pip版本（參考以下操作）

C:ProgramFilesPython310>pipinstall--upgradepip//requriesthelatest pip
C:UsersKlinsmann>python-mpiplist//checkpipversion
Package                      Version
-------------------------------------
pip                          22.3.1

安裝TensorFlow：

【3】使用pip installtensorflow在系統(tǒng)下安裝并校驗版本

C:Program FilesPython310>pip install tensorflow
C:Program FilesPython310>python -m pip list
Package                      Version
-------------------------------------
tensorflow                   2.11.0

導(dǎo)入并校驗是否安裝成功：

【4】輸入python，按下回車鍵進入python解釋器，輸入import pandas導(dǎo)入這個庫，報錯的話就說明安裝成功了

C:UsersKlinsmann>python
>>> import tensorflow

importtensorflowastf
print(tf.reduce_sum(tf.random.normal([1000, 1000])))

系統(tǒng)返回了“tf.Tensor(-1061.2717, shape=(), dtype=float32)”，證明我們安裝成功了，一個Tensor生成了。

審核編輯：劉清