要將深度學(xué)習(xí)更快且更便捷地應(yīng)用于新的問題中，選擇一款深度學(xué)習(xí)工具是必不可少的步驟。

TensorFlow是谷歌于2015年11月9日正式開源的計算框架。

TensorFlow計算框架可以很好地支持深度學(xué)習(xí)的各種算法。

TensorFlow很好地兼容了學(xué)術(shù)研究和工業(yè)生產(chǎn)的不同需求。

一方面，TensorFlow的靈活性使得研究人員能夠利用它快速實現(xiàn)新的模型設(shè)計；

另一方面，TensorFlow強大的分布式支持，對工業(yè)界在海量數(shù)據(jù)集上進(jìn)行的模型訓(xùn)練也至關(guān)重要。

作為谷歌開源的深度學(xué)習(xí)框架，TensorFlow包含了谷歌過去10年間對于人工智能的探索和成功的商業(yè)應(yīng)用。

除了TensorFlow，目前還有一些主流的深度學(xué)習(xí)開源工具可以使用。每個工具都有著各自的特點，可以根據(jù)自己的需求和喜好選擇適合自己的深度學(xué)習(xí)工具。比如我一開始學(xué)習(xí)深度學(xué)習(xí)的時候接觸的是Caffe，然后TensorFlow開源之后了解到了TensorFlow的一些特性，感覺還是更喜歡TensorFlow的風(fēng)格，當(dāng)然也考慮到會使用一種以上的深度學(xué)習(xí)工具也算見不錯的事情。

其它一些主流的深度學(xué)習(xí)工具

Caffe: http://caffe.berkeleyvision.org/（Convolutional Architecture for Fast Feature Embedding） BVLC

MXNet: http://mxnet.readthedocs.io/en/latest/ （百度 DMLC(分布式機器學(xué)習(xí)社區(qū)) 簡稱”深盟”）

Torch: http://torch.ch/（Facebook Google DeepMind Twitter FAIR）

Theano: http://deeplearning.net/software/theano/（the LISA group at the University of Montreal(蒙特利爾)）

TensorFlow: https://www.tensorflow.org/（Google）

CNTK（微軟深度學(xué)習(xí)工具包 ）

DeepLearning4J: http://deeplearning4j.org/

deepmat: https://github.com/kyunghyuncho/deepmat

Neon: http://neon.nervanasys.com/docs/latest/index.html

Eblearn: http://eblearn.sourceforge.net/

PyLearn: http://deeplearning.net/software/pylearn2/

chainer: https://github.com/pfnet/chainer

Bahrampour S, Ramakrishnan N, Schott L, et al. Comparative Study of Deep Learning Software Frameworks[J]. Computer Science, 2016.

框架對比

這篇文章對現(xiàn)在流行的五個開源深度學(xué)習(xí)框架 caffe、Neon、TensorFlow、Theano、Torch 做了很嚴(yán)謹(jǐn)比較。

作者開源了他們的比較 Benchmarks 代碼：https://github.com/DL-Benchmarks/DL-Benchmarks

文章比較了：

可擴展性（extensibility），hardware utilization（硬件利用率），速度（speed）三個方面

• 評估測試都是部署在單機上，對于多線程 CPU、GPU（Nvidia Titan X）都進(jìn)行測試
• 速度評估標(biāo)準(zhǔn)包括了梯度計算時間（gradient computation time）、前向傳播時間（forward time）對于卷積神經(jīng)網(wǎng)絡(luò)，作者還
• 對這幾個深度框架支持的不同的卷積算法以及相應(yīng)的性能表現(xiàn)做了實驗

通過實驗得出了以下結(jié)論

• Theano、Torch 是最具擴展性的深度學(xué)習(xí)框架
• 在 CPU 上的測試性能來看，Torch 最優(yōu)，其次是 Theano
• 在 GPU 上的性能表現(xiàn)，對于大規(guī)模卷積以及全連接網(wǎng)絡(luò)，還是 Torch 最優(yōu)，其次是 Neon
• Theano 在部署和訓(xùn)練 LSTM 網(wǎng)絡(luò)中奪得拔籌caffe 是最容易測試評估性能的標(biāo)準(zhǔn)深度學(xué)習(xí)框架
• 最后，TensorFlow 與 Theano 有些相似，是比較靈活的框架，但是其性能表現(xiàn)，目前還比不上上面的幾個框架

但是，畢竟這篇文章已經(jīng)是過去時了，那時候TensorFlow 還只能用 cuDNN v.2 版本，而我現(xiàn)在已經(jīng)裝的是v5.1版本，而且TensorFlow 也已經(jīng)發(fā)布了1.0版本?，F(xiàn)在各工具性能如何，還需要新的評測才能說明問題。

變量:創(chuàng)建、初始化、保存和加載

當(dāng)訓(xùn)練模型時，用變量來存儲和更新參數(shù)。變量包含張量 (Tensor)存放于內(nèi)存的緩存區(qū)。建模時它們需要被明確地初始化，模型訓(xùn)練后它們必須被存儲到磁盤。這些變量的值可在之后模型訓(xùn)練和分析是被加載。

本文檔描述以下兩個TensorFlow類。點擊以下鏈接可查看完整的API文檔：
參考TensorFlow中文社區(qū)

- 添加神經(jīng)層

輸入?yún)?shù)有 inputs, in_size, out_size, 和 activation_function

# 添加層
def add_layer(inputs, in_size, out_size, activation_function=None):
            weights = tf.Variable(tf.random_normal([in_size, out_size]), name='weights')
            biases = tf.Variable(tf.zeros([1, out_size]) + 0.1, name='biases')
            y = tf.matmul(inputs, weights) + biases
        if activation_function is None:
            outputs = y
        else:
            outputs = activation_function(y)
        return outputs

- loss

loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), reduction_indices=[1]))

分類問題的loss 函數(shù) cross_entropy 交叉熵
loss = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction), reduction_indices=[1]))

- 創(chuàng)建

當(dāng)創(chuàng)建一個變量時，你將一個張量作為初始值傳入構(gòu)造函數(shù)Variable()。TensorFlow提供了一系列操作符來初始化張量，初始值是常量或是隨機值。
注意，所有這些操作符都需要你指定張量的shape。那個形狀自動成為變量的shape。變量的shape通常是固定的，但TensorFlow提供了高級的機制來重新調(diào)整其行列數(shù)。

# Create two variables.
weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35), name="weights")
biases = tf.Variable(tf.zeros([200]), name="biases")

- 初始化

變量的初始化必須在模型的其它操作運行之前先明確地完成。最簡單的方法就是添加一個給所有變量初始化的操作，并在使用模型之前首先運行那個操作。
使用tf.global_variables_initializer()添加一個操作對變量做初始化。記得在完全構(gòu)建好模型并加載之后再運行那個操作。

# 7.初始化變量
init = tf.global_variables_initializer()
# tf.global_variables_initializer()是并行地初始化所有變量
# 有時候會需要用另一個變量的初始化值給當(dāng)前變量初始化,這就需要注意了
# 用其它變量的值初始化一個新的變量時，使用其它變量的initialized_value()屬性。
# 你可以直接把已初始化的值作為新變量的初始值，或者把它當(dāng)做tensor計算得到一個值賦予新變量。
# w1 = tf.Variable(tf.random_normal([784, 200], stddev=0.35), name="w1")
# w2 = tf.Variable(w1.initialized_value(), name="w2")

# 8.啟動圖 (graph)
sess = tf.Session()
sess.run(init)

- 由另一個變量初始化

你有時候會需要用另一個變量的初始化值給當(dāng)前變量初始化。由于tf.global_variables_initializer()是并行地初始化所有變量，所以在有這種需求的情況下需要小心。用其它變量的值初始化一個新的變量時，使用其它變量的initialized_value()屬性。你可以直接把已初始化的值作為新變量的初始值，或者把它當(dāng)做tensor計算得到一個值賦予新變量。

w1 = tf.Variable(tf.random_normal([784, 200], stddev=0.35), name="w1")
w2 = tf.Variable(w1.initialized_value(), name="w2")

以上就是python神經(jīng)網(wǎng)絡(luò)TensorFlow簡介常用基本操作教程的詳細(xì)內(nèi)容，更多關(guān)于TensorFlow基本操作簡介的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論