Tensorflow是什么？

Google的开源软件库：

• 采取数据流，用于数值计算。
• 支持多种平台 —— GPU、CPU、移动设备。（方便的无缝切换，不用更改大部分的代码）
• 最初用于深度学习，变得越来越通用。（tensorflow并不只是适用于深度学习，大部分还是深度学习，只要是能抽象为数据流图的问题，都能使用它来解决）

数据流图：

• 节点 —— 处理数据
  对数据进行计算，每个框框（方形，圆形）都表示一个节点。
  
  
• 线 —— 节点输入输出的关系
  节点与节点之间的数据依赖。（如偏最上面的三个绿色节点，Cross Entropy 依赖 Softmax 和Cross Labels 的输出，通过计算得出新的值，如果前两个节点没有计算完，后面的节点是无法计算的。）
  
  
• 线上运输张量（tensor）
  线上运输的数据，所有的n维构成了数据的集合，0维数据 ——> 数字，1维数据 ——> 向量，二维
  ——> 矩阵，大于等于3维的数据 ——> 高位矩阵。
  让tensor（张量）在数据流图中flow（流动）——>tensorflow
  
  
• 节点被分配到各种计算设备上运行

特性：

• 高度的灵活性
  可以表示为数据流图的都可使用，主要同于神经网络，卷积等都使用了封装。也可写自己的封装，就像panda函数那样。
  
  
• 真正的可移植性
  可在很多设备上执行，如 CPU、GPU、移动设备。你在电脑里训练了一个model，可部署在服务器上，手机上，Docker上。
  
  
• 多语言支持
  python、c++、java、R、javascript
  
  
• 产品和科研结合
  
  
• 自动求微分
  
  
• 性能最优化

TF1.0 — 架构：

TF2.0 — 架构：

TF2.0 — 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