Tensorflow知识概念与版本变迁简介

#在此注明：本篇博客只标注出关键概念，并未扩展阐述

1.1 Tensorflow是什么？

Google的开源软件库

采取数据流图，用于数值计算

支持多种平台—GPU,CPU,移动设备

最初用于深度学习，变得越来越通用

1.1.1 数据流图

节点—处理数据

线—节点间的输入输出关系

线上运输张量tensor,即：所有n维数据

节点被分配到各种计算设备上运行

1.1.2 特性

高度灵活性

真正的可移植性

产品和科研结合

自动求微分

多语言支持

性能最优化

1.2 Tensorflow版本变迁

1.2.1 Tensorflow1.0—主要特性

XLA—Accelerate Linear Algebra 底层

       提升训练速度58倍

       可以在移动设备运行

引入更高级别的API—tf.layers/tf.metrics/tf.losses/tf.keras

Tensorflow调试器

支持docker镜像，引入Tensorflow serving服务

1.2.2 Tensorflow2.0—主要特性

使用tf.keras和eager mode进行更加简单的模型构建：主推这两个feature

鲁棒的跨平台模型部署

强大的研究实验

清除不推荐使用的API和减少重复来简化API

Tensorflow2.0—简化的模型开发流程

使用tf.data加载数据

使用tf.keras构建模型，也可以使用premade estimator来验证模型

              使用Tensorflow hub进行迁移学习

使用eager mode进行运行和调试

使用分发策略来进行分布式训练

导出到SavedModel

使用Tensorflow Serve、Tensorflow Lite、Tensorflow.js部署模型

Tensorflow2.0—强大的跨平台能力

       Tensorflow服务

              直接通过HTTP/REST或GRPC/协议缓冲区

       Tensorflow Lite—可部署在Android、IOS和嵌入式系统上

       Tensorflow.js—在javascript中部署模型

       其他语言—C、java、Go、C#、Rust、Julia、R等

Tensorflow2.0—强大的研究实验

       Keras功能API和子类API，允许构建复杂的拓扑结构

       自定义训练逻辑，使用tf.GradientTape和tf.custom_gradient进行更细粒度的控制

       低层API自始至终可以与高层结合使用，完全的可定制

       高级扩展：Ragged Tensors、Tensor2Tensor等。

1.3 Tensorflow vs PyTorch

#1+1/2+1/2~2+1/2~3+.....+1/2~50
#Tensorflow1.0
import tensorflow as tf
print(tf.__version__)
x = tf.Variable(0.)
y = tf.Variable(1.)
print(x)
print(y)
add_op = x.assign(x+y)
div_op = y.assign(y/2)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
	for iteration in range(50):
	    sess.run(add_op)
		sess.run(div_op)
	print(x.eval())
 
#Pytorch 
import torch
Print(torch.__version__)
x = torch.Tensor([0.])
y = torch.Tensor([1.])
for iteration in range(50):
	x = x+y
	y = y/2
print(x)
 
#Tensorflow2.0
import tensorflow as tf
#tf.enable_eager_execution()
print(tf.__version__) #1.13.1
X = tf.constant(0.)
y = tf.constant(1.)
for iteration in range(50):
	x = x+y
	y = y/2
print(x.numpy())
 
#python
x = 0
y = 1
for iteration in range(50):
    x = x+y
	y = y/2
print(x)