争渡的博客

是 NVIDIA 推出的针对 NVIDIA GPU 的高性能深度学习推理库，能够通过优化和裁剪神经网络来提高推理性能，并且支持 FP32、FP16 和 INT8 精度下的推理。：是 Intel 推出的深度学习推理引擎，支持多种硬件架构（CPU、GPU、VPU）和多个框架（TensorFlow、Caffe、ONNX 等），适用于边缘设备和 IoT 应用。：是一个基于 LLVM 的深度学习编译器和运行时系统，可以针对不同硬件架构生成高效的代码，并支持多种深度学习框架。

格式：SavedModel 是 TensorFlow 推荐的模型格式，可以将模型保存为一个目录，其中包含了模型结构、变量和运行时信息。该方法可以将当前会话（Session）的所有变量保存到磁盘上，其中参数sess是一个已经打开的会话，save_path是要保存的模型文件的路径。该方法可以从指定的模型文件中恢复所有变量，其中参数sess是一个已经打开的会话，save_path是之前保存的模型文件的路径。保存了完整的模型对象，可以方便地复现模型，并且包含了模型的结构、权重和编译信息。

TensorBoard是一个工具，用于可视化和理解TensorFlow运行的神经网络模型。其原理主要基于TensorFlow在训练神经网络时自动记录了大量有关模型性能和状态的数据，并将这些数据保存到一组日志文件中。读取这些日志文件并呈现以易于理解的方式可视化的信息，例如损失曲线、精度曲线、图形表示、直方图等等。TensorBoard还提供了交互式控件，可以通过调整模型参数和超参数来观察模型输出的变化。这使得深度学习研究人员可以更有效地分析和优化他们的神经网络模型。

前天学习了，数据流图，今天尝试在不同设备上（cpu或者gpu）来执行计算图。本次使用cpu来执行，但是不涉及gpu。gpu放在后面学习，这里比较重要。

（1）. 计算图是tf的基本计算单位之一，与张量一样都是基本的计算单位。（2）. tensorflow1中的数据流图，也被称为计算图，是一种用于表示机器学习模型的抽象概念。它由节点（Nodes）和边（Edges）组成，其中节点代表操作或变量边表示它们之间的依赖关系。当我们定义了一个的计算图后，我们可以使用tensorflow提供的Session对象对其进行计算。Session会将计算图中依赖关系解析出来，实现节点之间的数据流动，并最终生成输出结果。在计算图中，每个节点可以接受零个或多个输入，并。

假设现在有一个函数f(x)需要多次调用，其中包含一个变量v。我们希望在第一次调用时定义变量v，在后续调用时共享这个变量v。为了避免重复定义变量，我们可以使用来控制变量是否可重用在比如结合可以看到：当我们开起了reuse=True功能：说明开启了重复使用变量的功能。注意：这里说的是变量当我们定义一个新的变量时候，如果，在同一个下已经有了同名的变量，就会抛出ValueError异常。（这里肯定有人说 可以使用函数啊，这个等会说）。但是在某种情况下需要共享变量，也就是多个操作共用一个变量。这是就可以设置为。

在 TensorFlow 中，是一个占位符变量，它不是具体的数值只是一个形状和数据类型都已经确定的张量。

TensorFlow 是一个由 Google 开发的开源机器学习框架，可以用于构建各种类型的人工智能应用程序，例如图像识别、语音识别、自然语言处理等。它通过数据流图的方式来描述计算任务，使得开发者可以轻松地搭建和训练各种复杂的模型。TensorFlow支持分布式计算，可以在多个CPU或GPU上运行，从而加快模型的训练速度。同时，TensorFlow 社区也提供了丰富的文档和示例代码，方便开发者学习和使用。张量是tf进行计算的基本元素和基本数据结构，基本上我们只用弄清楚这一个数据结构就能熟练使用tf。张量。

虽然tf2.x已经出来很久了，用起来说实在却是很爽，不但易用，提供了更加高级的API和工具，使得编写代码变得更加简单和直观，而且对Keras进行了深度集成，提供了更加高级的建模方式，支持Eager Execution模式，使得开发和调试更加快速和直观最重要的是可以更加轻松地转移学习和迁移学习等等好处让人爱不释手，但是相对于tf1.x来说，tf1.x具备支持分布式计算，可以用于大规模训练，面向研究者和专业开发人员，提供了很多底层API。而且tf1.x非常灵活且可扩展，适用于各种机器学习任务；