3.1 Tensorflow基礎知識

3.1.1 深度學習框架介紹

框架對比：

1.技術層面

對于個人開發者，它的主要用途為科研，而企業用戶的主要用途為進行AI應用，提升生產效率。在此，主要從兩類用戶的一些共同需求的滿足情況進行分析，來完成各個深度學習框架在技術層面的對比。

可以看出tensorflow、pytorch、keras三個深度學習框架遙遙領先其他深度學習框架的體量，另外幾個國有深度學習框架的體量相對國外深度學習框架的體量也相差了較大的量級。

tensorflow 教程。2.算法方向

對于算法的準確率、速度、參數量大小而言，不同的深度學習框架會有一定的影響，但本質的影響在于模型本身的架構設計以及訓練時候的參數設置。

基本來說，企業或高校能夠將一個深度學習框架開源出來，也就證明這個框架能夠訓練出達到正常性能的一些算法。因此，在此處更關注各個深度學習框架提供的算法優化功能

可以看出，各個深度學習框架在算法優化功能上大致是大同小異的。


官網地址（不需要翻墻）：https://tensorflow.google.cn/

3.1.2 Tensorflow具體流程

1. 訓練流程：

• 數據的處理︰使用tf.data和TFRecord可以高效地構建和預處理數據集，構建訓練數據流。同時可以使用TensorFlow Datasets 快速載入常用的公開數據集。
• 模型的建立與調試︰使用即時執行模式和著名的神經網絡高層API框架Keras，結合可視化工具TensorBoard，簡易、快速地建立和調試模型。也可以通過TensorFlow Hub方便地載入已有的成熟模型。
• 模型的訓練︰支持在CPU、GPU、TPU上訓練模型，支持單機和多機集群并行訓練模型，充分利用海量數據和計算資源進行高效訓練。
• 模型的導出︰將模型打包導出為統一的SavedModel格式，方便遷移和部署。

2. 部署流程

• 服務器部署∶使用TensorFlow Serving在服務器上為訓練完成的模型提供高性能、支持并發、高吞吐量的API。
• 移動端和嵌入式設備部署︰使用TensorFlow Lite將模型轉換為體積小、高效率的輕量化版本，并在移動端、嵌入式端等功耗和計算能力受限的設備上運行，支持使用GPU代理進行硬件加速，還可以配合Edge TPU等外接硬件加速運算。
• 網頁端部署︰使用TensorFlow.js，在網頁端等支持JavaScript運行的環境上也可以運行模型，支持使用WebGL進行硬件加速。