TensorFlow 介绍（简单版）

一、什么是TensorFlow？

它是端到端的开源机器学习平台；一个核心开源库，可以帮助我们开发和训练机器学习模型。借助TensorFlow，初学者和专家可以轻松地创建机器学习模型。

我们可以使用 Sequential API 来使用TensorFlow，也可以使用Keras API 调用TensorFlow开源库。

常见问题的解决方案：

https://www.tensorflow.org/overview/?hl=zh_cn

二、TensorFlow 特点

1. 轻松地构建模型：可以使用高阶 Keras API 构建和训练模型，该 API 让我们能够轻松地开始使用 TensorFlow 和机器学习。对于大型机器学习训练任务，可以使用 Distribution Strategy API 在不同的硬件配置上进行分布式训练，而无需更改模型定义。

2. 可靠地实现机器学习：TensorFlow 都可以助我们轻松地训练和部署模型，支持多种语言和平台。如果需要完整的生产型机器学习流水线，使用 TensorFlow Extended (TFX)。要在移动设备和边缘设备上进行推断，使用 TensorFlow Lite。使用 TensorFlow.js 在 JavaScript 环境中训练和部署模型。

3. 具有强大的研究经验：构建和训练先进的模型，并且不会降低速度或性能。借助 Keras Functional API 和 Model Subclassing API 等功能，TensorFlow 可以助我们灵活地创建复杂拓扑并实现相关控制。TensorFlow 还支持强大的附加库和模型生态系统以供我们开展实验，包括 Ragged Tensors、TensorFlow Probability、Tensor2Tensor 和 BERT。

三、TensorFlow的发展历程

2011：DistBelief

2015.11：TensorFlow 0.5.0

2017.02：TensorFlow 1.0

1. 高层API，将Keras库整合进其中

2. 动态图机制：Eager Execution

3. 面向移动智能终端：TensorFlow Lite

4. 面向网页前端：TensorFlow.js

5. 自动生成计算图：AutoGraph

2019：TensorFlow 2.0

四、TensorFlow1.0 与TensorFlow2.0 对比

从执行机制对比：

TensorFlow1.x ——延迟执行机制（deferred execution）/静态图机制（代码运行效率高，便于优化、程序不够简洁）

TensorFlow2.0 ——动态图机制（Eager Execution）

• 无需首先创建静态图，可以立刻执行计算，并返回结果

• 能够快速的建立和调试模型

• 执行效率不高

a=tf.constant(2,name="input_a")
b=tf.constant(3,name="input_b")
print(a+b)

兼顾易用性和执行效率——  在程序调试阶段使用动态图，快速建立模型、调试程序；在部署阶段，采用静态图机制，从而提高模型的性能和部署能力

总体对比：

TensorFlow1.x ——重复、冗余的API

• 构建神经网络：tf.slim，tf.layers，tf.contrib.layers，tf.keras 

• 混乱，不利于程序共享，维护的成本高

TensorFlow2.0 ——清理 / 整合API

• 清理、整合了重复的API

• 将tf.keras作为构建和训练模型的标准高级API

5）TensorFlow2.0 框架、特点

TensorFlow2.0 架构：

特点：

1、多种环境支持

• 可运行于移动设备、个人计算机、服务器、集群等

• 云端、本地、浏览器、移动设备、嵌入式设备

2、支持分布式模式

• TensorFlow会自动检测GPU和CPU，并充分利用它们并行、分布的执行

3、简洁高效

• 构建、训练、迭代模型：Eager Execution，Keras

• 部署阶段：转化为静态图，提高执行效率。

4、社区支持

6）TensorFlow 是否受欢迎呢？是否被大家所使用？

我们看看下图，使用 TensorFlow 的公司：

不得不说，有这么多巨头公司都使用，说明还是很不错的。( •̀ ω •́ )y