Tensorflow2.0学习笔记

TF简介

一、数据流图

• 节点 数据处理
• 线 节点的输入和输出关系
• 线上运输张量

TF版本

一、历史版本

• 2015.11 开源
• 2015.12 v0.6 支持gpu和python3.3
• 2016.04 v0.8 支持分布式
• 2016.11 v0.11 支持windows
• 2017.02 v1.0 性能和API改进
• 2017.04 v1.1 集成keras
• 2017.08 v1.3 高级API，预算估计器等，支持TPU
• 2017.11 v1.5 eager, TF lite对移动端的支持
• 2018.03 TF.hub TF.js TF extened(TFX)
• 2018.05 v1.6 cloud tpu与管道模块
• 2018.06 v1.8 新分布式策略API, 概率编程工具
• 2018.08 v1.10 集成cloud big table
• 2018.10 v1.12 侧重于可用性的api改进
• 2019.03 v2.0

二、TF1.0

1.TF1.0特性

• XLA accelerate linear algebra
  • 训练速度提升x58
  • 可在移动设备运行
• 引入高级别API tf.layers/tf.metrics/tf.losses/tf.kreas
• TF调试器
• 支持docker，引入TF serving服务

2.TF1.0架构

三、TF2.0

1.TF2.0特性

• 使用tf.keras和eager mode 使得模型构建更加简单
• 鲁棒的跨平台模型部署
• 强大的研究实验
• 清除不推荐使用的API和减少重复API

2.TF2.0架构

3.简化开发流程

4.跨平台模型部署

5.强大研究实验

四、TF vs PyTorch

1.入门时间

2.图创建和调试

例子：1+1/2+1/2^2+…+1/250

TF1.0

import tensorflow as tf
a = tf.Variable(0.)
b = tf.Variabel(1.)
add_op = tf.assign(a+b)
div_op = tf.assign(b/2)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(50):
        sess.run(add_op)
        sess.run(div_op)
    print(a.eval())

TF2.0

import tensorflow as tf
a = tf.Variable(0.)
b = tf.Variable(1.)
for i in range(50):
    a = a + b
    b = b / 2
print(a.numpy())

PyTorch

import torch
a = torch.Tensor([0.])
b = torch.Tensor([1.])
for i in range(50):
    a = a + b
    b = b / 2
print(a)

3.全面性

4.序列号与部署

TF-keras

一、keras简介

二、tf.keras简介

三、tf.keras 与 keras联系与区别