創(chuàng)建 TensorFlow 只是為了開發(fā)您自己的機(jī)器學(xué)習(xí) （ML） 模型。您甚至可能每天都會(huì)體驗(yàn)它而不知道，例如建議下一個(gè) YouTube 視頻、圖像識(shí)別或語音助手的推薦系統(tǒng)。但什么是 TensorFlow，它是如何工作的，它使用什么硬件，為什么它是機(jī)器學(xué)習(xí)的主要工具？

Google 構(gòu)建了 TensorFlow，這是一個(gè)開源軟件庫，用于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)應(yīng)用程序，專為開發(fā)人員設(shè)計(jì)。計(jì)算機(jī)從這些人工智能模型中學(xué)習(xí)，以進(jìn)行模式識(shí)別和數(shù)據(jù)預(yù)測。開發(fā)人員利用 TensorFlow 的框架實(shí)現(xiàn)了更高效的模型開發(fā)和訓(xùn)練。該工具加載了多種功能，可幫助構(gòu)建更快、可能更智能的應(yīng)用程序。

TensorFlow 的機(jī)制

想想這個(gè)名字，TensorFlow。它讓我們對它是如何工作的有一個(gè)很好的了解。張量是一個(gè)多維數(shù)據(jù)數(shù)組，就像網(wǎng)格一樣，它存儲(chǔ)代表一串文本、圖像、音頻波形等的數(shù)字。

同時(shí)，該流指示數(shù)據(jù)如何通過一系列作（稱為計(jì)算圖）。每個(gè)節(jié)點(diǎn)代表一個(gè)數(shù)學(xué)運(yùn)算，而每個(gè)邊代表這些運(yùn)算之間的數(shù)據(jù)流。將它們放在一起，TensorFlow 本質(zhì)上允許張量數(shù)據(jù)通過數(shù)學(xué)函數(shù)網(wǎng)絡(luò)。

這種結(jié)構(gòu)將大型、復(fù)雜的模型分解為更小、更有效的處理步驟。它輸出一個(gè)結(jié)果，用于區(qū)分圖像中的對象，例如貓和狗。

TensorFlow 之所以受歡迎，部分原因是其先進(jìn)的研究支持、靈活性和可擴(kuò)展性。它在筆記本電腦上運(yùn)行進(jìn)行實(shí)驗(yàn)，并可擴(kuò)展到數(shù)千臺(tái)并行工作的服務(wù)器，非常適合業(yè)余愛好者和企業(yè) AI 系統(tǒng)。除了核心庫之外，谷歌和開源社區(qū)還圍繞它開發(fā)了一個(gè)豐富的生態(tài)系統(tǒng)。

例如，Keras 有一個(gè)簡單的界面，允許開發(fā)人員輸入幾行代碼來生成神經(jīng)網(wǎng)絡(luò)。團(tuán)隊(duì)可以使用 TensorBoard 來跟蹤指標(biāo)并可視化模型訓(xùn)練進(jìn)度。借助 TensorFlow Lite，移動(dòng)和嵌入式設(shè)備可以直接在設(shè)備上運(yùn)行 ML 模型。這使得語音識(shí)別和其他應(yīng)用程序等功能能夠高效工作，而無需持續(xù)的互聯(lián)網(wǎng)連接。

此外，開發(fā)人員使用 TensorFlow.js 在帶有 JavaScript 的瀏覽器中運(yùn)行模型。可以通過 TensorFlow Extended 全面開發(fā)和部署 ML 管道。

訓(xùn)練 TensorFlow 模型

開發(fā)人員如何在 TensorFlow 中訓(xùn)練模型？他們設(shè)計(jì)了一個(gè)模型架構(gòu)，該架構(gòu)決定了數(shù)據(jù)如何流經(jīng)數(shù)學(xué)函數(shù)層。然后，他們?yōu)槠涮峁┯?xùn)練數(shù)據(jù)，作為模型學(xué)習(xí)的示例。該框架依靠優(yōu)化算法（由自動(dòng)微分提供支持）來調(diào)整模型的內(nèi)部參數(shù)。

TensorFlow 使用自動(dòng)微分來計(jì)算梯度以進(jìn)行優(yōu)化，無需手動(dòng)進(jìn)行復(fù)雜的數(shù)學(xué)運(yùn)算，例如微積分和線性代數(shù)。這樣，開發(fā)人員就可以設(shè)計(jì)解決方案，而不是輸入方程。訓(xùn)練后，它會(huì)在新數(shù)據(jù)上進(jìn)行測試以評估其準(zhǔn)確性。如果性能符合預(yù)期，它就會(huì)部署到實(shí)際應(yīng)用程序中。

以下視頻是 TensorFlow 的截?cái)鄬?shí)際使用。如果您按照視頻訪問 TensorFlow 的 YouTube 頁面，您會(huì)發(fā)現(xiàn)更多關(guān)于人們?nèi)绾卧谒麄兊捻?xiàng)目中使用它的示例。還有很多鼓舞人心的故事。

擴(kuò)展的硬件支持

此外，由于機(jī)器學(xué)習(xí)需要大量計(jì)算，TensorFlow 由于支持各種硬件平臺(tái)而提供高性能。它將 CPU 用于不需要大量并行處理的小型模型、實(shí)驗(yàn)和生產(chǎn)系統(tǒng)。這也意味著任何擁有 CPU 的人都可以在臺(tái)式機(jī)或筆記本電腦上處理 TensorFlow 項(xiàng)目。

此外，TensorFlow 還能夠使用 GPU 處理大規(guī)模的并行數(shù)學(xué)運(yùn)算，使其可用于訓(xùn)練深度學(xué)習(xí)模型。

除此之外，谷歌還開發(fā)了張量處理單元（TPU）來處理機(jī)器學(xué)習(xí)任務(wù)（圖1）。TPU 加速訓(xùn)練和推理，使大型模型能夠大規(guī)模高效運(yùn)行。這些用于數(shù)據(jù)中心，開發(fā)人員可以通過 Google Cloud 訪問它們。由于這種靈活性，開發(fā)人員能夠快速制作模型原型并將其擴(kuò)展到生產(chǎn)中，而無需針對不同的硬件重新編碼。

谷歌云

1. Google 的張量處理單元確保 TensorFlow 具有最佳性能。

appshunter.io/Unsplash

2. 智能手機(jī)的 Google Assistant 通常使用 TensorFlow。