有关TensorFlow的相关研究.docxVIP

有关TensorFlow的相关研究 　　首先我们来解释一下什么是tensorflow：所谓tensor，就是指張量，在tensorflow中可以被简单理解为多维数组，可用的张量类型包括常数、变量、张量占位符和稀疏张量，表明了它的数据结构。张量的秩是它的维数，而它的形状是一个整数元组，指定了数组中每个维度的长度。张量按numpy数组的方式进行切片和重构。flow——中文翻译为“流”，直观地表达了张量之间通过计算相互转换的过程。 　　tensorflow是一个基于数据流编程（dataflowprogramming）的符号数学系统，被广泛应用于各类机器学习（machinelearning）算法的编程实现，前身是谷歌的神经网络算法库distbelief。 　　tensorflow拥有多层级结构，可部署于各类服务器、pc终端和网页并支持gpu和tpu高性能数值计算，被广泛应用于谷歌内部的产品开发和各领域的科学研究。 　　tensorflow由谷歌人工智能团队谷歌大脑（googlebrain）开发和维护，拥有包括tensorflowhub、tensorflowlite、tensorflowresearchcloud在内的多个项目以及各类应用程序接口（applicationprogramminginterface，api）。 　　tensorflow可以使用c++、python等多门语言进行开发。下面以python版本为例介绍一下tensorflow的版本。tensorflow提供python语言下的四个不同版本：cpu版本（tensorflow）、包含gpu加速的版本（tensorflow-gpu），以及它们的每日编译版本（tf-nightly、tf-nightly-gpu）。tensorflow的python版本支持ubuntu16.04、windows7、macos10.12.6sierra、raspbian9.0及对应的更高版本，其中macos版不包含gpu加速。安装python版tensorflow可以使用模块管理工具pip/pip3或anaconda并在终端直接运行。 　　总的来说呢，tensorflow是一个编程系统，使用图来表示计算任务。图中的节点被称之为op（operation的缩写）。一个op获得0个或多个tensor，执行计算，产生0个或多个tensor。每个tensor是一个类型化的多维数组。例如，你可以将一小组图像集表示为一个四维浮点数数组，这四个维度分别是[batch，height，width，channels]。 　　一个tensorflow图描述了计算的过程。为了进行计算，图必须在会话里被启动.会话将图的op分发到诸如cpu或gpu之类的设备上，同时提供执行op的方法。这些方法执行后，将产生的tensor返回.在python语言中，返回的tensor是numpyndarray对象；在c和c++语言中，返回的tensor是tensorflow：：tensor实例。 　　接下来我们介绍一下cpu和gpu设备：tensorflow支持cpu和gpu运行，在程序中设备使用字符串进行表示。cpu表示为”/cpu：0”；第一个gpu表示为”/device：gpu：0”；第二个gpu表示为”/device：gpu：1”，以此类推。如果tensorflow指令中兼有cpu和gpu实现，当该指令分配到设备时，gpu设备有优先权。tensorflow仅使用计算能力高于3.5的gpu设备。 　　tensorflow在很多地方可以应用，如语音识别，自然语言理解，计算机视觉，广告等等。tensorflow是一个非常灵活的框架，它能够运行在个人电脑或者服务器的单个或多个cpu和gpu上，甚至是移动设备上。 　　tensorflow内建深度学习的扩展支持，任何能够用计算流图形来表达的计算，都可以使用tensorflow。任何基于梯度的机器学习算法都能够受益于tensorflow的自动分化（auto-differentiation）。通过灵活的python接口，要在tensorflow中表达想法也会很容易。tensorflow对于实际的产品也是很有意义的。将思路从桌面gpu训练无缝搬迁到手机中运行。所以tensorflow的意义是非常深远和重大的。