1 课程导学
Tensrflow 用于机器学习 神经网络等
2 Tensorflow是什么
① Google的开源软件库
- 采用数据流图,用于数值计算。
- 多平台------ GPU,CPU,移动设备
② 数据流图
- 节点----处理数据
- 线----节点间输入输出关系
- 线上运输张量
- 节点呗分配到各种计算设备上运行
③ 特性
- 高度的灵活性
- 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
3 Tensorflow版本变迁与tf1.0架构
- 2015年首次发布----支持GPU python3
- 2017年keras集成
…
(略 请自行百度)
4 Tensorflow2.0架构
① Tf2.0----主要特性
- 使用tf.keras和eager mode进行更加简单的模型构建
- 鲁棒的跨平台模型部署
- 强大的研究实验
- 清楚不推荐使用的API和减少重复来简化API
②架构
③Tf2.0----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
- 使用分发策略进行分布式训练
- 导出到saved model
- 使用Tensorflowserve,Tensorflow Lite,Tensorflow.js部署模型
5 Tensorflow vs pyTorch
① 调试
Tensorflow1
静态图,难以调试,学习tfdbg调试。
Tensorflow2与pytorch
动态图,python自带调试工具。
② 全面性
pytorch缺少
- 沿准翻转张量(np.flip, np.flipud, np.fliplr)
- 检查无穷非数值张量(np.is_nan, np.is_inf)
- 快速傅里叶变换(np.fft)
随着时间的变化,pytorch会和TensorFlow越来越接近
序列化与部署
Tensorflow支持更加广泛。
(注:这一小节有相关代码,代码在我的github上,github在本文最下方)
6 Tensorflow环境配置
① 本地配置
- virtualenv安装----www.tensorflow.org/install/pip
- GPU版环境配置
配置方法
安装显卡驱动->cuda安装->cudnn安装
② 云配置
为什么要再云上配置?
规格统一,节省自己的机器。
有直接配置好环境的镜像。
云环境
Google Cloud配置----送300刀免费体验
Amazon云配置
7 Google_cloud无GPU环境搭建
云配置
实战
- 从0配置
- 从镜像配置
google cloud
(持续更新…)