Tensorflow是什么？針對(duì)這個(gè)問(wèn)題，這篇文章給出了相對(duì)應(yīng)的分析和解答，希望能幫助更多想解決這個(gè)問(wèn)題的朋友找到更加簡(jiǎn)單易行的辦法。
說(shuō)明：本文實(shí)例使用Python版本為3.5.6，Tensorflow版本為2.0
介紹
Tensorflow是Google推出的機(jī)器學(xué)習(xí)開(kāi)源神器，對(duì)Python有著良好的語(yǔ)言支持，支持CPU，GPU和Google TPU等硬件，并且已經(jīng)擁有了各種各樣的模型和算法。目前，Tensorflow已被廣泛應(yīng)用于文本處理，語(yǔ)音識(shí)別和圖像識(shí)別等多項(xiàng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)領(lǐng)域。
基礎(chǔ)框架
分為三層：應(yīng)用層、接口層和核心層
應(yīng)用層
提供了機(jī)器學(xué)習(xí)相關(guān)的訓(xùn)練庫(kù)、預(yù)測(cè)庫(kù)和針對(duì)Python、C++和Java等變成語(yǔ)言的編程環(huán)境，類似于web系統(tǒng)的前端，主要實(shí)現(xiàn)了對(duì)計(jì)算圖的構(gòu)造。
接口層
對(duì)Tensorflow功能模塊的封裝，便于其它語(yǔ)言平臺(tái)的調(diào)用。
核心層
最重要的部分，包括設(shè)備層、網(wǎng)絡(luò)層、數(shù)據(jù)操作層和圖計(jì)算層，執(zhí)行應(yīng)用層的計(jì)算。
1.設(shè)備層
包括Tensorflow在不同硬件設(shè)備上的實(shí)現(xiàn)，主要支持CPU、GPU和Mobile等設(shè)備，在不同硬件設(shè)備上實(shí)現(xiàn)計(jì)算命令的轉(zhuǎn)換，給上層提供統(tǒng)一的接口，實(shí)現(xiàn)程序的跨平臺(tái)功能。
2.網(wǎng)絡(luò)層
網(wǎng)絡(luò)層主要包括RPC和RDMA通信協(xié)議，實(shí)現(xiàn)不同設(shè)備之間的數(shù)據(jù)傳輸和更新，這些協(xié)議都會(huì)在分布式計(jì)算中用到。
3.數(shù)據(jù)操作層
以tensor為處理對(duì)象，實(shí)現(xiàn)tensor的各種操作和計(jì)算。
4.圖計(jì)算層
包括分布式計(jì)算圖和本地計(jì)算圖的實(shí)現(xiàn)，實(shí)現(xiàn)圖的創(chuàng)建、編譯、優(yōu)化和執(zhí)行等。
設(shè)計(jì)理念
可以將Tensorflow理解為一張計(jì)算圖中“張量的流動(dòng)”，其中，Tensor（張量）代表了計(jì)算圖中的邊，F(xiàn)low(流動(dòng))代表了計(jì)算圖中節(jié)點(diǎn)所做的操作而形成的數(shù)據(jù)流動(dòng)。
其設(shè)計(jì)理念是以數(shù)據(jù)流為核心，當(dāng)構(gòu)建相應(yīng)的機(jī)器學(xué)習(xí)模型后，使用訓(xùn)練數(shù)據(jù)在模型中進(jìn)行數(shù)據(jù)流動(dòng)，同時(shí)將結(jié)果以反向傳播的方式反饋給模型中的參數(shù)，以進(jìn)行調(diào)參，使用調(diào)整后的參數(shù)對(duì)訓(xùn)練數(shù)據(jù)再次進(jìn)行迭代計(jì)算。
編程特點(diǎn)
有兩個(gè)編程特點(diǎn)：
圖的定義和圖的運(yùn)行完全分開(kāi)
在tensorflow中，需要預(yù)先定義各種變量，建立相關(guān)的數(shù)據(jù)流圖，在數(shù)據(jù)流圖中創(chuàng)建各種變量之間的計(jì)算關(guān)系，完成圖的定義，需要把運(yùn)算的輸入數(shù)據(jù)放進(jìn)去后，才會(huì)形成輸出值。
圖的計(jì)算在會(huì)話中執(zhí)行
tensorflow的相關(guān)計(jì)算在圖中進(jìn)行定義，而圖的具體運(yùn)行壞境在會(huì)話(session)中，開(kāi)啟會(huì)話后，才能開(kāi)始計(jì)算，關(guān)閉會(huì)話就不能再進(jìn)行計(jì)算了。
舉個(gè)例子：
import tensorflow as tf tf.compat.v1.disable_eager_execution() a = 3 b = 4 c = 5 y = tf.add(a*b, c) print(y) a = tf.constant(3, tf.int32) b = tf.constant(4, tf.int32) c = tf.constant(5, tf.int32) y = tf.add(a*b, c) print(y) session = tf.compat.v1.Session() print(session.run(y)) session.close()
可以看出，在圖創(chuàng)建后，并在會(huì)話中執(zhí)行數(shù)據(jù)計(jì)算，最終輸出結(jié)果。
設(shè)計(jì)的好處就是：學(xué)習(xí)的過(guò)程中，消耗最多的是對(duì)數(shù)據(jù)的訓(xùn)練，這樣設(shè)計(jì)的話，當(dāng)進(jìn)行計(jì)算時(shí)，圖已經(jīng)確定，計(jì)算就只剩下一個(gè)不斷迭代的過(guò)程。
基本概念
Tensor
張量，是tensorflow中最主要的數(shù)據(jù)結(jié)構(gòu)，張量用于在計(jì)算圖中進(jìn)行數(shù)據(jù)傳遞，創(chuàng)建了張量后，需要將其賦值給一個(gè)變量或占位符，之后才會(huì)將該張量添加到計(jì)算圖中。
session
會(huì)話，是Tensorflow中計(jì)算圖的具體執(zhí)行者，與圖進(jìn)行實(shí)際的交互。一個(gè)會(huì)話中可以有多個(gè)圖，會(huì)話的主要目的是將訓(xùn)練數(shù)據(jù)添加到圖中進(jìn)行計(jì)算，也可以修改圖的結(jié)構(gòu)。
調(diào)用模式推薦使用with語(yǔ)句：
重慶分公司
重慶分公司
with session:
session.run()
Variable變量，表示圖中的各個(gè)計(jì)算參數(shù)，通過(guò)調(diào)整這些變量的狀態(tài)來(lái)優(yōu)化機(jī)器學(xué)習(xí)算法。創(chuàng)建變量應(yīng)使用tf.Variable()，通過(guò)輸入一個(gè)張量，返回一個(gè)變量，變量聲明后需進(jìn)行初始化才能使用。
舉例說(shuō)明：
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
tensor = tf.ones([1, 3])
test_var = tf.Variable(tensor)
# 初始化變量
init_op = tf.compat.v1.global_variables_initializer()
session = tf.compat.v1.Session()
with session:
print("tensor is ", session.run(tensor))
# print("test_var is ", session.run(test_var))
session.run(init_op)
print("after init, test_var is", session.run(test_var))Placeholder
占位符，用于表示輸入輸出數(shù)據(jù)的格式，聲明了數(shù)據(jù)位置，允許傳入指定類型和形狀的數(shù)據(jù)，通過(guò)會(huì)話中的feed_dict參數(shù)獲取數(shù)據(jù)，在計(jì)算圖運(yùn)行時(shí)使用獲取的數(shù)據(jù)進(jìn)行計(jì)算，計(jì)算完畢后獲取的數(shù)據(jù)就會(huì)消失。
舉例說(shuō)明：
x = tf.compat.v1.placeholder(tf.int32)
y = tf.compat.v1.placeholder(tf.int32)
z = tf.add(x, y)
session = tf.compat.v1.Session()
with session:
print(session.run([z], feed_dict={x: [1, 2], y: [2, 3]}))Operation
操作，是圖中的節(jié)點(diǎn)，輸入輸出都是Tensor，作用是完成各種操作，包括：
數(shù)學(xué)運(yùn)算：add, sub, mul, div, exp ...
數(shù)組運(yùn)算：concat, slice, split, rank ...
矩陣運(yùn)算：matmul, matrixinverse ...
神經(jīng)網(wǎng)絡(luò)構(gòu)建：softmax, sigmoid, relu ...
檢查點(diǎn)：save, restore ...
隊(duì)列和同步：enqueue, dequeue, mutexacquire, mutexrelease ...
張量控制：merge, switch, enter, leave ...
Queue
隊(duì)列，圖中有狀態(tài)的節(jié)點(diǎn)。包含入列（endqueue）和出列（dequeue）兩個(gè)操作，入列返回計(jì)算圖中的一個(gè)操作節(jié)點(diǎn)，出列返回一個(gè)tensor值。
其中，隊(duì)列有兩種：
1. FIFOQueue
按入列順序出列的隊(duì)列，在需要讀入的訓(xùn)練樣本有序時(shí)使用。舉個(gè)例子：
fifo_queue = tf.compat.v1.FIFOQueue(10, 'int32')
init = fifo_queue.enqueue_many(([1, 2, 3, 4, 5, 6], ))
with tf.compat.v1.Session() as session:
session.run(init)
queue_size = session.run(fifo_queue.size())
for item in range(queue_size):
print('fifo_queue', session.run(fifo_queue.dequeue()))2. RandomShuffleQueue
以隨機(jī)順序出列的隊(duì)列，讀入的訓(xùn)練樣本無(wú)序時(shí)使用。舉個(gè)例子：
rs_queue = tf.compat.v1.RandomShuffleQueue(capacity=5, min_after_dequeue=0, dtypes='int32')
init = rs_queue.enqueue_many(([1, 2, 3, 4, 5], ))
with tf.compat.v1.Session() as session:
session.run(init)
queue_size = session.run(rs_queue.size())
for i in range(queue_size):
print('rs_queue', session.run(rs_queue.dequeue()))關(guān)于Tensorflow的介紹就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺(jué)得文章不錯(cuò)，可以把它分享出去讓更多的人看到。
