初步了解TensorFlow2.0

为什么要学习TensorFlow？

1. 深度学习能够更好地抽取数据中的规律，从而给公司带来更大的价值
2. TensorFlow是强大且灵活的开源框架
3. 使用广泛
4. 2.0更加强大、易用、成熟

TensorFlow是什么？

1. 是Google的开源软件库
2. 采用数据流图，用于数值计算
3. 支持多平台——GPU、CPU、移动设备
4. 最初用于深度学习，后越来越通用

数据流图是什么？

1. 节点：处理数据
2. 线：节点之间的输入输出关系，表示节点和节点之间的数据依赖
3. 线上运输张量（tensor）
   • tensor：是所有n维数据；数字、向量、矩阵、高维矩阵
4. 节点被分配到各种计算设备上运行

TensorFlow的特性

1. 高度灵活性，体现在数据流图上，神经网络上
2. 可移植性
3. 产品和科研结合，封装较好，可直接作为产品使用
4. 自动求微分，反向传播对微分的求解
5. 多语言支持
6. 性能最优化，运行快

2.0的主要特性

1. 对Keras、eager mode进行更简单的模型构建
2. 鲁棒的跨平台模型部署
   • TensorFlow服务
     -直接通过HTTP/REST或者GRPC/协议缓冲区
   • TensorFlow Lite——可部署在Android、iOS、嵌入式系统上
   • TensorFlow.js——在JavaScript中部署模型
   • 其他语言：C、java、Go、C#、Rust、Julia、R等
3. 强大的研究实验
4. 清除不推荐使用的、重复的API
5. 2.0架构
   
6. 2.0开发流程
   • 使用tf.data加载数据
   • 使用tf.keras构建模型，也可以用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SavedMode
   • 使用TensorFlow Serve、TensorFlow Lite、TensorFlow.js部署模型
7. 强大的研究实验
   • Keras功能API和子类API，允许创建复杂的拓扑结构
   • 自定义训练逻辑，使用tf.GradientTape和tf.custom_gradient进行更细粒度的控制
   • 低层API自始至终可以和高层结合使用，完全是可定制
   • 添加高级扩展：Ragged Tensors、Tensor2Tensor等