人工智能AI培训_TensorFlow 2.0 简介

浏览:116 时间:2019-06-25 分类:行业新闻
人工智能AI培训_TensorFlow 2.0 简介

人工智能AI培训_TensorFlow 2.0 简介

  1、TensorFlow简介
  TensorFlow是目前最为流行的深度学习框架,是人工智能领域第一主要工具,迭代版本共有0.1,1.0,和2.0三个版本,本章主要针对最新的2.0版本进行讲解和学习。它是一个用于机器学习和深度学习的端到端开源平台。
  15年9月发布0.1版本;17年2月发布1.0版本;19年3月发布2.0版本。15年同类型框架:
  Ski-learn: Machine Learning, 不支持GPU;
  Caffe: 第一个面向深度学习的框架,但不支持自动求导;
  Keras: 只提供API接口;
  Torch: Lua语言;
  Teano: 开发调试难。
  当下同类型框架:
  Caffe: Facebook
  Caffe2: PyTorch(最新版本的Caffe2 作为PyTorch的C++后端已经并入到PyTorch里去)。
  Torch--PyTorch。PyTorch当下非常流行的框架,集合了Torch和Caffe2,Facebook主推。

  Teano: Google推出 Tensorflow1.0 ----Tensorflow2.0。

人工智能培训

  2、V1.0与PyTorch1.0对比
  与Tensorflow1.0版本同一时期PyTorch1.0版本发布。

  Tensorflow1.0与PyTorch1.0版本的对比:


  3、V1.0的弊端
  TensorFlow1.0里在创建了Tensor之后,不能直接返回结果。 而是需要创建session会话机制,包含graph的概念在里面,而且需要session.run 才能运行。 这种风格更像是一种硬件编程语言VHDL。
  与PyTorch等一些简单的框架相比,TensorFlow1.0 徒增了以上概念,用户使用起来非常的困扰。
  TensorFlow1.0调试困难,API混乱,入门困难。入了门使用起来依旧困难,导致很多研究人员转向了PyTorch。
  4、V2.0 coming
  TF+Keras:
  最大的特性(Easy to use): 去掉了graph 和session机制。变的像Python,PyTorch一样所见即所得。
  主要改进点:
  Session.run:图和会话机制;
  Tf.control_dependencies:实时控制的概念;
  Tf.global_variables_initializer;
  Tf.cond:分支控制的概念原本可以通过python中if,else等语句来完成;
  Tf.while_loop 。

  对比发现跟PyTorch的风格很相似:


  import TensorFlow as tf
  a=tf.constant(1.)
  b=tf.constant(3.)
  c=tf.add(a,b)
  print(float(c))
  TensorFlow1.0会将大量的时间花费在这些冗余的概念编写上,而忽略对深度学习算法的研究。诸如以下所列出的抽象的概念将一去不复返。
  计算图Graph
  会话Session
  变量管理Variable Scope与共享reuse
  Define-and-run
  本课程假设你对TensorFlow一无所知,即使知道一些TensorFlow1.0中的概念,但是在2.0中基本上用不到。因此今后不需要我们对TensorFlow1.0再进行学习和了解。
  5、TensorFlow2.0简介
  TensorFlow2.0包括了TensorFlow核心库,JavaScript, Lite, Extended。构成了TensorFlow的一个完整的生态系统。
  TensorFlow核心库:
  使初学者和专家可以轻松的创建机器学习模型。
  TensorFlow的高级API基于Keras API标准,用于定义和训练神经网络。
  Keras通过用户友好的API实现快速原型设计,最先进的研究和生产。
  5.1、JavaScript
  TensorFlow.js:是一个用于在JavaScript中开发和训练ML模型,并在浏览器或Node.js上部署的库。
  运行现有模型:使用官方TensorFlow.js模型或者转换Python模型。
  重新训练现有模型:使用Transfer Learning自定义模型。
  使用JavaScript开发ML:使用灵活直观的API直接在JavaScript中构建和训练模型,TensorFlow.js。
  5.2、TensorFlow Lite
  TensorFlow Lite:是一个用于设备推理的开源深度学习框架。它可以满足在移动和物联网设备上部署机器学习模型。
  选择一个模型:选择新模型或者重新训练现有模型
  兑换:使用TensorFlow Lite转换器将TensorFlow模型转换为压缩的平缓冲区
  部署:获取压缩的.tflite文件并将其加载到移动或嵌入式设备中。
  优化:通过将32位浮点数转换为更高效的8位整数或在GPU上运行来进行量化。
  5.3、TensorFlow Extended
  TensorFlow Extended (TFX):是用于部署生产ML管道的端到端平台,当训练好的模型准备从研究转移到生产时,使用TFX创建和管理生产管道。
  TensorFlow数据验证:TFDV可帮助开发人员大规模了解,验证和监控其ML数据。
  TensorFlow变换:将数据预处理成合适的格式。
  TensorFlow模型分析:TFMA使开发人员能够计算和可视化模型的评估指标。
  TensorFlow服务:轻松部署新算法和实验,同时保持相同的服务器架构和API。
  6、为什么使用TensorFlow
  TensorFlow最为当下最流行的框架主要因为一下几个优势:
  支持GPU加速
  支持自动求导
  深度学习API
  7、使用TensorFlow
  7.1、GPU加速

  支持GPU加速:对矩阵的加减乘除有一个并行的运算加速。


  7.2、自动求导

  TensorFlow框架的另一个优势就是自动求导:


  7.3、深度学习API
  TensorFlow框架提供大量深度学习API:
  tf.matmul
  tf.nn.conv2d
  tf.nn.relu
  tf.nn.maxpool2d
  tf.nn.sigmoid
  tf.nn.softmax
  layers.Dense
  layers.Conv2D
  layers.LSTM
  layers.ReLU
  layers.MaxPool2D
  本实验利用网上已有的北京房价数据集预测了北京的房价,实现了TensorFlow的线性回归应用。


QQ咨询:1344101384微信咨询:18922208201咨询电话:18922208201咨询网站客服: 在线客服
十年IT教育老品牌