为什么要选择Tensorflow作为深度学习开发工具(一)

2021-07-28 11:18:29 1.9k 阅读 AI 写同款 · GEO 优化AI 选题数据监测一键分发 ›

从TensorFlow到DL4J——主流深度学习框架对比分析从TensorFlow到DL4J——主流深度学习框架对比分析 2022年2月22日极链AI云官网地址点击注册更多AI小知识，关注《极链AI云》公众号文章目录从TensorFlow到DL4J——主流深度学习框架对比分析一、深度学习框架概述与深度学习技术的四大阵营二、主流开源深度学习框架的来龙去脉2.1 TensorFlow2.2 Keras2.3 Pytorch2.4 Theano2.4 Caffe2.5 Caffe22.6 Torch2.7 FastAI2.8 MXNet2.9 Gluon 阅读详情

首先我们要讲一下为什么提到 Tensorflow

TensorFlow 是一个端到端的机器学习开源平台。它有一个全面、灵活的工具，函数库和社区资源生态系统，可以让研究人员推动 ML 领域的最先进技术，以及让开发人员轻松构建和部署 ML 驱动的应用程序

从上面这段话，我们可以看出 Tensorflow 有一个非常强的生态系统，可以让开发者很轻松的走完整条项目开发链，这让它在工业界的应用方面占有非常大的优势，同时由于全面、灵活的工具、函数库，这让研究人员可以很方便的使用它来做各种实验，综上我们可以知道 Tensorflow 为什么在学术界和工业界有很多的用户群体

接下来我们一起看下 Tensorflow 有什么特性呢

简单的模型构建

使用直观的高级 API (如 Keras )快速执行，轻松地构建和训练 ML 模型，这使得模型的快速迭代和调试变得容易。

在任何地方都能实现强大的 ML 生产

无论您使用何种语言，都可以轻松地在云、在线、浏览器或设备上训练和部署模型。

强有力的实验研究

一个简单而灵活的体系结构，从概念到代码，到最先进的模型，并更快地发布新思想。

我们再来看下 Tensorflow 可以用在什么地方

Tensorflow

帮助您开发和训练 ML 模型的核心开源库。可以直接在浏览器中运行 Colab 笔记本，快速入门。

For JavaScript

TensorFlow.js 是一个 JavaScript 库，用于在浏览器和 Node.js 上训练和部署模型。

For Mobile & IoT

TensorFlow Lite 是一个轻量级库，用于在移动设备和嵌入式设备上部署模型。

For Production

TensorFlow Extended 是一个端到端平台，用于在大型生产环境中准备数据、训练、验证和部署模型。

最后我们来看一下针对初学者和专家的不同代码模板

For beginners

最好从用户友好的 Sequential API 开始。您可以通过将构建块插入到一起来创建模型。运行下面的 Hello World 示例，然后访问教程了解更多信息

import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)

上面是一个简单的代码片段

For experts

Subclassing API 为高级研究提供了一个按运行定义的接口。为您的模型创建一个类，然后编写命令式的前向传递。轻松地编写自定义层、激活和训练循环。运行下面的 Hello World 示例，然后访问教程了解更多信息

class MyModel(tf.keras.Model):
  def __init__(self):
    super(MyModel, self).__init__()
    self.conv1 = Conv2D(32, 3, activation='relu')
    self.flatten = Flatten()
    self.d1 = Dense(128, activation='relu')
    self.d2 = Dense(10, activation='softmax')

  def call(self, x):
    x = self.conv1(x)
    x = self.flatten(x)
    x = self.d1(x)
    return self.d2(x)
model = MyModel()

with tf.GradientTape() as tape:
  logits = model(images)
  loss_value = loss(logits, labels)
grads = tape.gradient(loss_value, model.trainable_variables)
optimizer.apply_gradients(zip(grads, model.trainable_variables))

上面是一个简单的代码片段

最后放一个Tensorflow代码仓库: https://codechina.csdn.net/mirrors/tensorflow/tensorflow

...全文