tensorflow2.0(简介)_什么是tensorflow2.0

tensorflow简介

一、tensorflow是什么

• 采用数据流图，用于数值计算
• 支持多种平台–GPU，CPU，移动设备
• 最初用于深度学习，越来越通用–只要能描述为数据流图就可以用tensorflow解决

二、数据流图

数据流图用“结点”（nodes）和“线”(edges)的有向图来描述数学计算。“节点” 一般用来表示施加的数学操作，但也可以表示数据输入（feed in）的起点/输出（push out）的终点，或者是读取/写入持久变量（persistent variable）的终点。“线”表示“节点”之间的输入/输出关系。这些数据“线”可以输运“size可动态调整”的多维数据数组，即“张量”（tensor）。张量从图中流过的直观图像是这个工具取名为“Tensorflow”的原因。一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行地执行运算。

• 节点----处理数据
• 线----节点间的输入输出关系
• 线上运输张量
• 节点被分配到各种计算设备上运行

三、特性

1. 高度的灵活性
2. 可移植性强
3. 产品和科研结合
4. 自动求微分
5. 多语言支持(python,c++,java,js)
6. 性能最优化

Tensorflow版本变迁（略）

2015年开源发布

2019，2.0预览版本发布

一、Tensorflow1.0的主要特性

• XLA–Accelerate Linear Algebra
• 提升训练速度58倍
• 可以在移动设备运行
• 引人更高级别的API–tf.layers/tf.metrics/tf.losser/tf.keras
• tensorflow调试器
• 支持docker镜像，引入tensorflow serving服务

二、Tensorflow1.0架构

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SM3qcyJy-1575541670337)(/Users/bobwang/Library/Application Support/typora-user-images/image-20191202095236544.png)]

python封装的高级API

• Keras
• Estimator
• Datasets
• Layers
• Distribution engine

三、tensorflow2.0的主要特性

• 使用tf.kera,eager mode进行更加简单的模型构建
• 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

四、tensorflow2.0架构

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qqOTzChm-1575541670338)(/Users/bobwang/Library/Application Support/typora-user-images/image-20191202095801039.png)]

五、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premed estimator来验证模型（受用tensorflow hub进行迁移学习）
3. 使用eager mode进行预行和调试
4. 使用分发策略来进行分布式训练
5. 导出大SavedModel
6. 使用Tensorflow Serve、 Tensorflow lite、Tensorflow.js部署模型

六、tensorflow2.0–签到的跨平台能力

1. tensorflow服务(直接通过HTTP/REST或GRPC/协议缓冲区)
2. Tensorflow Lite----可部署在Android、IOS和嵌入式系统上
3. tensorflow.js----在javascript中部署模型
4. 其他语言

七、强大的研究实验能力

• Keras功能API和子类API，允许创建复杂的拓扑结构
• 自定义训练逻辑，使用tf.GradientTape和tf.custom_gradient进行更细粒度的控制
• 低层API自始自终可以与高层结合使用，完全的可定制
• 高级扩展： Ragged Tensors 、Tensor2Tensor等

tensorflow VS PyTorch

一、入门时间

1、tensorflow 1.*

（静态图，学习额外概念（图，会话，变量，占位符等），写样板代码）

2、tensorflow2.0

（动态图，Eager mode避免1.0圈点，直接集成在python中）

3、PyTorch

（动态图，Numpy的扩张，直接集成在python中）

二、图创建和调试

1、tensorflow 1.*

静态图，难调试, 学习tfdbg调试

2、tensorflow2.0 与Pycorch

动态图，python自带调试的工具

三、全面性

Pytorch缺少：

• 沿维翻转张量(np.flip,np.flipud,np.fliplr)
• 检查无穷和非数值张量(np.is_nan, np.is_inf)
• 快速傅立叶变换(np.fft)

随着时间变化，越来越接近

四、序列化与部署

tf支持更加广泛

• 图保存为protocol buffer
• 跨语言
• 跨平台

PyTorch支持比较简单，只导出图