设计基础：什么是TensorFlow？

创建 TensorFlow 只是为了开发您自己的机器学习 （ML） 模型。您甚至可能每天都会体验它而不知道，例如建议下一个 YouTube 视频、图像识别或语音助手的推荐系统。但什么是 TensorFlow，它是如何工作的，它使用什么硬件，为什么它是机器学习的主要工具？

Google 构建了 TensorFlow，这是一个开源软件库，用于机器学习和深度学习应用程序，专为开发人员设计。计算机从这些人工智能模型中学习，以进行模式识别和数据预测。开发人员利用 TensorFlow 的框架实现了更高效的模型开发和训练。该工具加载了多种功能，可帮助构建更快、可能更智能的应用程序。

TensorFlow 的机制

想想这个名字，TensorFlow。它让我们对它是如何工作的有一个很好的了解。张量是一个多维数据数组，就像网格一样，它存储代表一串文本、图像、音频波形等的数字。

同时，该流指示数据如何通过一系列作（称为计算图）。每个节点代表一个数学运算，而每个边代表这些运算之间的数据流。将它们放在一起，TensorFlow 本质上允许张量数据通过数学函数网络。

这种结构将大型、复杂的模型分解为更小、更有效的处理步骤。它输出一个结果，用于区分图像中的对象，例如猫和狗。

TensorFlow 之所以受欢迎，部分原因是其先进的研究支持、灵活性和可扩展性。它在笔记本电脑上运行进行实验，并可扩展到数千台并行工作的服务器，非常适合业余爱好者和企业 AI 系统。除了核心库之外，谷歌和开源社区还围绕它开发了一个丰富的生态系统。

例如，Keras 有一个简单的界面，允许开发人员输入几行代码来生成神经网络。团队可以使用 TensorBoard 来跟踪指标并可视化模型训练进度。借助 TensorFlow Lite，移动和嵌入式设备可以直接在设备上运行 ML 模型。这使得语音识别和其他应用程序等功能能够高效工作，而无需持续的互联网连接。

此外，开发人员使用 TensorFlow.js 在带有 JavaScript 的浏览器中运行模型。可以通过 TensorFlow Extended 全面开发和部署 ML 管道。

训练 TensorFlow 模型

开发人员如何在 TensorFlow 中训练模型？他们设计了一个模型架构，该架构决定了数据如何流经数学函数层。然后，他们为其提供训练数据，作为模型学习的示例。该框架依靠优化算法（由自动微分提供支持）来调整模型的内部参数。

TensorFlow 使用自动微分来计算梯度以进行优化，无需手动进行复杂的数学运算，例如微积分和线性代数。这样，开发人员就可以设计解决方案，而不是输入方程。训练后，它会在新数据上进行测试以评估其准确性。如果性能符合预期，它就会部署到实际应用程序中。

以下视频是 TensorFlow 的截断实际使用。如果您按照视频访问 TensorFlow 的 YouTube 页面，您会发现更多关于人们如何在他们的项目中使用它的示例。还有很多鼓舞人心的故事。

扩展的硬件支持

此外，由于机器学习需要大量计算，TensorFlow 由于支持各种硬件平台而提供高性能。它将 CPU 用于不需要大量并行处理的小型模型、实验和生产系统。这也意味着任何拥有 CPU 的人都可以在台式机或笔记本电脑上处理 TensorFlow 项目。

此外，TensorFlow 还能够使用 GPU 处理大规模的并行数学运算，使其可用于训练深度学习模型。

除此之外，谷歌还开发了张量处理单元（TPU）来处理机器学习任务（图1）。TPU 加速训练和推理，使大型模型能够大规模高效运行。这些用于数据中心，开发人员可以通过 Google Cloud 访问它们。由于这种灵活性，开发人员能够快速制作模型原型并将其扩展到生产中，而无需针对不同的硬件重新编码。

谷歌云

1. Google 的张量处理单元确保 TensorFlow 具有最佳性能。

appshunter.io/Unsplash

2. 智能手机的 Google Assistant 通常使用 TensorFlow。