深度学习框架：TensorFlow（简介）

目前最主流的深度框架有 TensorFlow、Pytorch 以及 Keras。其中：

• TensorFlow 是被使用最广泛的一个深度学习框架，已广泛的运用在如，图像识别、图片分类等领域。

• PyTorch 是一个开源的 Python 机器学习库，基于 Torch 开发，底层由 C++实现，也被广泛使用在人工智能领域；

• Keras 则是 Python 编写的高级神经网络 API，它可以将 TensorFlow、CNTK，或是 Theano 作为后端程序来用，它的代码简单、易读。

TensorFlow的核心概念

1. 张量（Tensor ）：TensorFlow中的基本数据对象，作为图中的节点（Operation，提供图当中执行的操作）的输入输出，在节点之间流动（Flow），因此得名。可以被理解成一个多维数组，TensorFlow 的张量与 Numpy 的数组比较相似。其中的每个元素都具有相同的数据类型，且该数据类型一定是已知的（使用 tensor 的 dtpye 属性查看 tensor 的数据类型）。张量是有形状的（通过 tensor 的 shape 属性查看 tensor 的形状），关于 tensor 的形状有两个术语：秩、轴（维度）。 

• 
  

• 秩：张量维度的数目。

• 轴（维度）：轴（维度）就是我们计算机科学中数组的维度。例如，向量的维度就是 1，矩阵的维度就是 2。 

张量的阶

2. 计算图：是一个有向图，又可以叫作数据流图(data flow graphs)，是TensorFlow将计算表示为指令之间的依赖关系的一种表示法。它是 TensorFlow 操作对象（tf.Operation）与张量对象（tf.Tensor）的集合。操作对象是图中的节点，是图中的计算单元，张量对象是图的边，是在节点之间流动的数据。TensorFlow 的 3 种计算图，分别是：

• 
  

• 静态计算图：优点是高效，在分布式训练、性能优化和生产部署方面都有优势。定义好之后可以反复执行。

• 动态计算图：TensorFlow 2 中 Eager Execution 模型就是采用动态计算图方式，大大地提高了代码的简洁性，且非常易于调试。

• Autograph：兼顾代码的可读性与运行的高性能，TensorFlow 2 中提出了 Autograph只要在 Python 的函数前加上@tf.function 标签，就可以将 Python 的函数转换为静态计算图。

 3.会话：TensorFlow跨一个或者过个本地或远程设备运行数据流图的机制。

TensorFlow 2 中几个比较常用的 API

• tf.compact

• tf.data

• tf.image

• tf.nn

• tf.keras

• tf.lite

• tf.math

高效的实验分析助手-TensorBoard

 可以通过 Web 页面提供查看细节与过程的功能，它将模型的细节与过程，通过浏览器可视化的方式进行展现，帮助使用者感知各个参数与指标的变化，把握训练趋势。

参考：

1. TensorFlow 2.0的API详解：https://tensorflow.google.cn/versions/r2.0/api_docs/python/tf

2. 可视化TensorFlow运行：

TensorFlow是一个采用数据流图，用于数值计算的开源框架。节点在图中表示数学操作，线则表示在节点互相联系的多维数据数组，即张量。

3.Python安装TensorFlow常见报错：

W tensorflow/stream_executor/platform/default/dso_loader.cc:60] Could not load dynamic library 'libcudart.so.10.1'; dlerror: libcudart.so.10.1: cannot open shared object file: No such file or directory
I tensorflow/stream_executor/cuda/cudart_stub.cc:29] Ignore above cudart dlerror if you do not have a GPU set up on your machine.

• 问题分析与解决方式：GPU的版本与TensorFlow的版本不一致；GPU的版本与TensorFlow的对应关系参见：https://tensorflow.google.cn/install/source#gpu  

I tensorflow/core/platform/cpu_feature_guard.cc:140] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2

• 问题分析与解决方式：当前的CPU可以支持未编译为二进制的指令AVX2 ；要想消除该提示，需要在代码中添加两行代码：（用于设置TensorFlow的日志级别的） 

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

View Code