01-TensorFlow2.0基础

01-TensorFlow基础

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

Tensorflow数据结构

#数据流图

1. 线：节点之间的输入输出关系，线上运输张量. tensor：张量- 指代数据

2. 节点：operation (op): 专门运算的操作节点，所有的操作都是一个op，处理数据

• 只要使用tensorflow的API定义的函数都是OP
• 节点被分配到各种计算设备上运行
  
  

1. graph: 图 整个的程序结构

• 本质上是一个分配的内存位置，默认有一个图，所有的tensor 和 op 的内存地址都是一样的。
• 不同的图内存地址不一样，计算的过程中互不干扰

1. session: 会话： 运算程序的图 （只能运行一张图，可以在会话中指定图去运行 graph = g）

• 运行图的结构
• 分配资源计算
• 掌握资源（变量、队列、线程）

Tensorflow的特性

• 高度的灵活性，便于调用函数，也可以写自己的封装
• 真正的可移植性，在不同的设备上都可以简单运行
• 产品和科研结合
• 自动求微分，主要用于反向传播计算
• 多语言支持，C++， Java , JS, R
• 性能最优化

Tensorflow的前后端系统

1. 前端系统：定义程序的图的机构
2. 后端系统： 运算图结构

Tensorflow版本变迁

Tensorflow1.0 主要特性

• XLA: Accelerate Linear Algebra
  • 提升训练速度58倍
  • 可以在移动设备上运行
• 引用更高级别的API
  • tf.layers/ tf.metrics / tf.losses/ tf.keras
• Tensorflow调试器
• 支持docker镜像，引入tensorflow serving 服务
  
  

Tensorflow 2.0 主要特性

• 使用tf.keras 和 eager mode 进行简单模型构建
• 鲁棒的跨平台模型部署
• 强大的研究实验
• 清除了不推荐使用和重复的API
  
  

Tensorflow2.0 简化模型开发流程

1. 使用tf.data加载数据
2. 使用tf.keras 构建模型，也可以使用premade estimator 验证模型
   • 使用tensorflow hub进行迁移学习
   • 注： 迁移学习 - 使用一个前人预先训练好的，应用在其他领域的网络作为模型训练的起点，站在前人基础上更进一步，不必重新发明轮子。
3. 使用eager mode 进行运行和调试
4. 使用分发策略进行分布式训练
5. 导出到SavedModel
6. 使用Tensorflow Serve, Tensorflow Lite, Tensorflow.js

Tensorflow 强大的跨平台能力

• Tensorflow 服务
  • 直接通过HTTP/ TEST 或 GTPC/协议缓冲区
• Tensorflow Lite - Android, iOS 和嵌入式
• Tensorflow.js - Javascript 部署
• 其他语言

Tensorflow vs. Pytorch

入门时间（易用性）

• Tensorflow 1.*
  • 静态图 ，构建完之后不可以更改, 效率高
  • 额外概念， 会话，变量，占位符
  • 写样本代码
• Tensorflow 2.0
  • 动态图， 构建完之后可以更改， 效率不高，调试容易
  • Eager mode 直接集成在python中
• Pytorch
  • 动态图
  • numpy扩展，集成在python

"""
不同方式求解 1 + 1/2 + 1/2^2 + 1/2^3 + ...... + 1/2^50
"""

# 1. tensorflow 1.*求解
import tensorflow as tf
print(tf.__version__)
x = tf.Variable(0.)
y = tf.Variable(1.)

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())

# 2. pytorch 求解
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)

# 3. tensorflow 2.0 求解
import tensorflow as tf
print(tf.__version__)
x = tf.constant(0.)
y = tf.constant(1.)
for iteration in range(50):
    x = x + y
    y = y / 2
print(x.numpy())

# 4. 纯python求解
x = 0
y = 1
for iteration in range(50):
    x = x + y
    y = y / 2
print(x)  # 精度有点不一样

图创建和调试

• Tensorflow 1.*
  • 静态图，难以调试， 需要使用tfdbg
• Tensorflow 2.0 与 pytorch
  • 动态图，python自带的调试工具

全面性

• python缺少少量的功能，使用频次很低
  • 沿维翻转张量 （np.flip, np.flipud, np.fliplr)
  • 检查无穷与非数值张量（np.is_nan, np.is_inf)
  • 快速傅里叶变换 （np.fft)

序列化和部署

• Tensorflow 支持更加广泛，多语言，跨平台
• pytorch 支持比较简单