TensorFlow简介

TensorFlow简介

TensorFlow是由Tensor（张量）与Flow（数据流）组成的，名字的含义就是让数据流在张量里飞。

为了让TensorFlow可以支持不同的程序设计语言接口，并让TensorFlow程序可以在各种平台执行，所有的TensorFlow程序都是先建立“计算图”，这是张量运算和数据处理的流程。我们可以使用TensorFlow提供的模块以不同的程序设计语言建立计算图。TensorFlow提供的模块很强大，我们可以设计张量运算流程，并且构建各种深度学习或机器学习模型。建立计算图完成后，就可以在不同的平台上执行计算图。

计算图中，节点（Node）代表运算，边（Edge）代表张量的数据流。我们可以想象边就是管线，张量数据在管线中流动。经过节点运算后，转换为不同的张量数据。

 

TensorFlow程序设计模式

TensorFlow程序设计模式的核心是计算图，可以分为两部分：建立计算图、执行计算图。

• 建立计算图

使用TensorFlow提供的模块建立计算图，TensorFlow提供的模块非常强大，可以设计张量运算流程，并且构建各种深度学习或机器学习模型。

• 执行计算图

建立计算图后，就可以建立Session执行计算图了。在TensorFlow中，Session的作用是在客户端和执行设备之间建立连接。有了这个连接，就可以将计算图在各种不同设备中执行，后续任何与设备之间的数据传输都必须通过Session来进行，并且最后获得执行后的结果。

深度学习是以张量（矩阵）运算模拟神经网络的。所以TensorFlow的主要设计就是让矩阵运算达到最高性能，并且能在各种不同的平台执行。TensorFlow最初由Google的Brain Team团队开发，于2015年11月公开了源代码，在Apache 2.0与开放源代码规范下，所有开发者都可以免费使用。Google希望通过开源社区的分享建立一个庞大的社区，建立共同的标准，让TensorFlow更加完善。

 

TensorFlow架构

TensorFlow的系统结构以C API为界，将整个系统分为「前端」和「后端」两个子系统：

• 前端系统：提供编程模型，负责构造计算图；
• 后端系统：提供运行时环境，负责执行计算图。

 TensorFlow架构图如下，

TensorFlow架构图

高级API	Keras、TF-Learn、TF-Slim、TF-Layer
前端程序语言	Python、C++
TensorFlow Distributed Execution Engine
平台	Windows、Linux、Android、iOS、Raspberry Pi
处理器	CPU、GPU、TPU

• 处理器

CPU：每一台计算机都有中央处理器，可以执行TensorFlow；

GPU：图形处理器，GPU含有高达数千个微小且高效率的计算内核，可以发挥并行计算的强大功能；

TPU：Google为人工智能研发的专用芯片，比GPU的计算性能更佳，目前只部署在Google数据中心，并没对外开放。

• TensorFlow Distributed Execution Engine（分布式执行引擎）

在深度学习中，最花时间的是模型训练，尤其大型的深度学习模型必须使用大量数据训练，需要数天甚至更长时间，TensorFlow具备分布式计算能力，可同时在数百台机器上执行训练模型，大幅缩短模型训练的时间。

• 前端程序语言

TensorFlow可以使用多种前端程序语言，例如Python、C++等，但对Python的支持是最好的，Python具有程序代码简明、易学习、高生产力的特质，面向对象、函数式的动态语言，应用非常广泛。

• 高级API

TensorFlow是比较低级的深度学习API，所以用程序设计模型时必须自行设计：张量乘积、卷积等底层操作，好处是我们可以自行设计各种深度学习模型，但是缺点是开发时需要编写更多程序代码，并且需要花更多时间。所以网上的开发社区以TensorFlow为底层开发很多高级的深度学习API，例如Keras、TF-Learn、TF_Slim、TF_Layer等。这样让开发者使用更简洁、更可读性的程序代码就可以构建出各种复杂的深度学习模型。

参考链接：

TensorFlow中文社区首页

http://www.tensorfly.cn/

http://www.tensorfly.cn/tfdoc/how_tos/overview.html