深度学习-学习笔记（持续更新）

深度学习-学习笔记（持续更新）

目录

​​概述​​

​​机器学习​​

​​TensorFlow​​

​​基本概念​​

​​TensorFlow2.0的架构​​

​​Tensorflow2.0简化的模型开发流程​​

概述

机器学习

机器学习（Machine Learning）是让计算机能够自动地从某些数据中总结出规律，并得出某种预测模型，进而利用该模型对未知数据进行预测的方法。

机器学习的分类：

有监督学习无监督学习半监督学习强化学习

具体如下：

TensorFlow

基本概念

计算图

计算图（Computation Graph）是一个有向图（Directed Graph），是对TensorFlow中计算任务的抽象描述，也称为数据流图（Data Flow Graph）。

TensorFlow 1.x采用的是静态计算图机制，TensorFlow 2.x采用的是动态计算图机制。

会话

会话（Session）是客户端程序与TensorFlow系统进行交互的接口。在1.x版本中，我们需要定义好的计算图必须在会话中执行；而在2.x版本中，是因为采用了动态计算图机制，就不需要在会话中执行计算图。

运算操作和运算核

运算操作：计算图中的每一个节点就是一个运算操作。

运算核：是一个运算操作在某个具体的硬件（比如GPU或CPU）上的实现。

在TensorFlow中可以通过注册机制加入新的运算操作或者为已有的运算操作添加新的运算核。

张量（Tensor）

可以看做一个多维的数组或列表，它是对矢量和矩阵的更高维度的泛化，张量由“tf.Tensor"类定义。

TensorFlow2.0的架构

1.x到2.x的变化：

API精简动态计算图取消全局变量使用函数而不是会话

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。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。