Tensorflow 2.0 学习笔记：简介和环境搭建篇

Tensorflow简介

Tensorflow 是Google的开源的一个端到端开源机器学习平台：

• 采用数据流图，用于数据计算
• 支持多种平台——CPU，CPU+GPU
• 起初用于深度学习，变得越来越通用

下图是数据流图示意图，有以下几个部分：

• 节点——处理数据
• 线——节点间的输入输出关系
• 线上运输张量
• 节点被分配到各种计算设备上运行

                                           

而在机器学习中，数值通常由4种类型构成：

• 标量（scalar）：即一个数值，它是计算的最小单元，如“1”或“3.2”等。
• 向量（vector）：由一些标量构成的一维数组，如[1, 3.2, 4.6]等。
• 矩阵（matrix）：是由标量构成的二维数组。
• 张量（tensor）：由多维（通常）数组构成的数据集合，可理解为高维矩阵。

Tensorflow2.0的特性

TensorFlow 2.0 将专注于简洁性和易用性，主要升级方向包括：

• 使用 Keras 和 eager execution 轻松构建模型。
• 在任意平台上实现稳健的生产环境模型部署。
• 为研究提供强大的实验工具。
• 通过清理废弃的 API 和减少重复来简化 API。

在tensorflow2.0 中，模型从构建到上线一般是以下步骤：

• 用tf.data加载数据，使用 tf.feature_column描述特征特性，例如离散特征，密集特征乃至于交叉特征。支持从多种文件格式中读取数据。
• 使用tf.keras、预定义和自定义Estimators构建、训练和验证模型。Keras 与 TensorFlow的其余部分紧密集成，因此你可以随时访问 TensorFlow 的功能。如果不想从头开始训练一个模型，你很快就能通过TensorFlow Hub模块利用迁移学习来训练Keras或 Estimator模型。
• 用eager execution运行和调试，然后在计算图上使用 tf.function。TensorFlow 2.0默认用 eager execution 运行，相对于1.0来说使用更加轻松、调试更加顺利。此外，tf.function标注可以将普通Python程序转换成 TensorFlow图。这个过程保留了 TensorFlow1.x 基于计算图执行的所有优点：性能优化、远程执行，以及序列化、导出和部署的能力，同时增加了用简单Python表达程序的灵活性和易用性。
• 使用分布式策略进行分布式训练。对于大部分机器学习训练任务来说，分布式策略API使得在不同的硬件配置上分布和训练模型变得很容易，而无需改变模型定义。
• 导出至 SavedModel。TensorFlow 将在 SavedModel 上标准化，来作为 TentsorFlow Serving、TensorFlow Lite、TensorFlow.js、TentsorFlow Hub 等的交换格式。

本地环境搭建

安装anaconda

官网 https://www.anaconda.com/distribution/ 自行下载安装即可：

安装 tensorflow

安装完成后就可以使用Anaconda Prompt命令行界面安装 tensorflow 2.0了。使用清华源提升下载速度的pip命令如下：

pip install pip -U # 升级 pip 到最新的版本 (>=10.0.0) 后进行安装
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

                                                

然后使用图中的pip命令选择性的安装cpu或者gpu版本的即可。

转存失败重新上传取消

这样，就可以开始使用tensorflow 2.0了。

但是鉴于自己电脑配置限制，推荐选择云平台进行tensorflow的环境搭建。