1、TensorFlow簡介
TensorFlow是目前最為流行的深度學(xué)習(xí)框架，是人工智能領(lǐng)域第一主要工具，迭代版本共有0.1,1.0,和2.0三個(gè)版本，本章主要針對最新的2.0版本進(jìn)行講解和學(xué)習(xí)。它是一個(gè)用于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的端到端開源平臺。
15年9月發(fā)布0.1版本；17年2月發(fā)布1.0版本；19年3月發(fā)布2.0版本。15年同類型框架:
Ski-learn: Machine Learning, 不支持GPU;
Caffe: 第一個(gè)面向深度學(xué)習(xí)的框架，但不支持自動求導(dǎo);
Keras: 只提供API接口;
Torch: Lua語言;
Teano: 開發(fā)調(diào)試難。
當(dāng)下同類型框架：
Caffe: Facebook
Caffe2: PyTorch(最新版本的Caffe2 作為PyTorch的C++后端已經(jīng)并入到PyTorch里去）。
Torch--PyTorch。PyTorch當(dāng)下非常流行的框架，集合了Torch和Caffe2，F(xiàn)acebook主推。
Teano: Google推出 Tensorflow1.0 ----Tensorflow2.0。
2、V1.0與PyTorch1.0對比
與Tensorflow1.0版本同一時(shí)期PyTorch1.0版本發(fā)布。
Tensorflow1.0與PyTorch1.0版本的對比：
?
3、V1.0的弊端
TensorFlow1.0里在創(chuàng)建了Tensor之后，不能直接返回結(jié)果。 而是需要?jiǎng)?chuàng)建session會話機(jī)制，包含graph的概念在里面，而且需要session.run 才能運(yùn)行。 這種風(fēng)格更像是一種硬件編程語言VHDL。
與PyTorch等一些簡單的框架相比，TensorFlow1.0 徒增了以上概念，用戶使用起來非常的困擾。
TensorFlow1.0調(diào)試?yán)щy，API混亂，入門困難。入了門使用起來依舊困難，導(dǎo)致很多研究人員轉(zhuǎn)向了PyTorch。
4、V2.0 coming
TF+Keras:
較大的特性(Easy to use): 去掉了graph 和session機(jī)制。變的像Python，PyTorch一樣所見即所得。
主要改進(jìn)點(diǎn)：
Session.run：圖和會話機(jī)制；
Tf.control_dependencies：實(shí)時(shí)控制的概念；
Tf.global_variables_initializer；
Tf.cond：分支控制的概念原本可以通過python中if，else等語句來完成；
Tf.while_loop 。
對比發(fā)現(xiàn)跟PyTorch的風(fēng)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會將大量的時(shí)間花費(fèi)在這些冗余的概念編寫上，而忽略對深度學(xué)習(xí)算法的研究。諸如以下所列出的抽象的概念將一去不復(fù)返。
計(jì)算圖Graph
會話Session
變量管理Variable Scope與共享reuse
Define-and-run
本課程假設(shè)你對TensorFlow一無所知，即使知道一些TensorFlow1.0中的概念，但是在2.0中基本上用不到。因此今后不需要我們對TensorFlow1.0再進(jìn)行學(xué)習(xí)和了解。
5、TensorFlow2.0簡介
TensorFlow2.0包括了TensorFlow核心庫，JavaScript, Lite, Extended。構(gòu)成了TensorFlow的一個(gè)完整的生態(tài)系統(tǒng)。
TensorFlow核心庫：
使初學(xué)者和專家可以輕松的創(chuàng)建機(jī)器學(xué)習(xí)模型。
TensorFlow的高級API基于Keras API標(biāo)準(zhǔn)，用于定義和訓(xùn)練神經(jīng)網(wǎng)絡(luò)。
Keras通過用戶友好的API實(shí)現(xiàn)快速原型設(shè)計(jì)，最先進(jìn)的研究和生產(chǎn)。
5.1、JavaScript
TensorFlow.js：是一個(gè)用于在JavaScript中開發(fā)和訓(xùn)練ML模型，并在瀏覽器或Node.js上部署的庫。
運(yùn)行現(xiàn)有模型：使用官方TensorFlow.js模型或者轉(zhuǎn)換Python模型。
重新訓(xùn)練現(xiàn)有模型：使用Transfer Learning自定義模型。
使用JavaScript開發(fā)ML：使用靈活直觀的API直接在JavaScript中構(gòu)建和訓(xùn)練模型，TensorFlow.js。
5.2、TensorFlow Lite
TensorFlow Lite：是一個(gè)用于設(shè)備推理的開源深度學(xué)習(xí)框架。它可以滿足在移動和物聯(lián)網(wǎng)設(shè)備上部署機(jī)器學(xué)習(xí)模型。
選擇一個(gè)模型：選擇新模型或者重新訓(xùn)練現(xiàn)有模型
兌換：使用TensorFlow Lite轉(zhuǎn)換器將TensorFlow模型轉(zhuǎn)換為壓縮的平緩沖區(qū)
部署：獲取壓縮的.tflite文件并將其加載到移動或嵌入式設(shè)備中。
優(yōu)化：通過將32位浮點(diǎn)數(shù)轉(zhuǎn)換為更高效的8位整數(shù)或在GPU上運(yùn)行來進(jìn)行量化。
5.3、TensorFlow Extended
TensorFlow Extended (TFX)：是用于部署生產(chǎn)ML管道的端到端平臺，當(dāng)訓(xùn)練好的模型準(zhǔn)備從研究轉(zhuǎn)移到生產(chǎn)時(shí)，使用TFX創(chuàng)建和管理生產(chǎn)管道。
TensorFlow數(shù)據(jù)驗(yàn)證：TFDV可幫助開發(fā)人員大規(guī)模了解，驗(yàn)證和監(jiān)控其ML數(shù)據(jù)。
TensorFlow變換：將數(shù)據(jù)預(yù)處理成合適的格式。
TensorFlow模型分析：TFMA使開發(fā)人員能夠計(jì)算和可視化模型的評估指標(biāo)。
TensorFlow服務(wù)：輕松部署新算法和實(shí)驗(yàn)，同時(shí)保持相同的服務(wù)器架構(gòu)和API。
6、為什么使用TensorFlow
TensorFlow最為當(dāng)下最流行的框架主要因?yàn)橐幌聨讉€(gè)優(yōu)勢：
支持GPU加速
支持自動求導(dǎo)
深度學(xué)習(xí)API
7、使用TensorFlow
7.1、GPU加速
支持GPU加速：對矩陣的加減乘除有一個(gè)并行的運(yùn)算加速。
?
7.2、自動求導(dǎo)
TensorFlow框架的另一個(gè)優(yōu)勢就是自動求導(dǎo)：
?
7.3、深度學(xué)習(xí)API
TensorFlow框架提供大量深度學(xué)習(xí)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
本實(shí)驗(yàn)利用網(wǎng)上已有的北京房價(jià)數(shù)據(jù)集預(yù)測了北京的房價(jià)，實(shí)現(xiàn)了TensorFlow的線性回歸應(yīng)用。
