有关TensorFlow的相关研究

宋琳璇

首先我们来解释一下什么是TensorFlow：所谓tensor，就是指張量，在tensorflow中可以被简单理解为多维数组，可用的张量类型包括常数、变量、张量占位符和稀疏张量，表明了它的数据结构。张量的秩是它的维数，而它的形状是一个整数元组，指定了数组中每个维度的长度。张量按NumPy数组的方式进行切片和重构。flow——中文翻译为“流”，直观地表达了张量之间通过计算相互转换的过程。

TensorFlow是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习（machine learning）算法的编程实现，前身是谷歌的神经网络算法库DistBelief。

Tensorflow拥有多层级结构，可部署于各类服务器、PC终端和网页并支持GPU和TPU高性能数值计算，被广泛应用于谷歌内部的产品开发和各领域的科学研究。

TensorFlow由谷歌人工智能团队谷歌大脑（Google Brain）开发和维护，拥有包括TensorFlow Hub、TensorFlow Lite、TensorFlow Research Cloud在内的多个项目以及各类应用程序接口（Application Programming Interface，API）。

TensorFlow可以使用C++、python等多门语言进行开发。下面以python版本为例介绍一下tensorflow的版本。TensorFlow提供Python语言下的四个不同版本：CPU版本（tensorflow）、包含GPU加速的版本（tensorflow-gpu），以及它们的每日编译版本（tf-nightly、tf-nightly-gpu）。TensorFlow的Python版本支持Ubuntu 16.04、Windows 7、macOS 10.12.6 Sierra、Raspbian 9.0及对应的更高版本，其中macOS版不包含GPU加速。安装Python版TensorFlow可以使用模块管理工具pip/pip3或anaconda并在终端直接运行。

总的来说呢，TensorFlow 是一个编程系统，使用图来表示计算任务。图中的节点被称之为 op（operation 的缩写）。一个 op 获得 0 个或多个 Tensor，执行计算，产生 0 个或多个 Tensor。每个 Tensor 是一个类型化的多维数组。例如，你可以将一小组图像集表示为一个四维浮点数数组，这四个维度分别是 [batch，height，width，channels]。

一个 TensorFlow 图描述了计算的过程。为了进行计算，图必须在 会话 里被启动.会话 将图的 op 分发到诸如 CPU 或 GPU 之类的 设备 上，同时提供执行 op 的方法。这些方法执行后，将产生的 tensor 返回.在 Python 语言中，返回的 tensor 是 numpy ndarray 对象；在 C 和 C++ 语言中，返回的 tensor 是 tensorflow：：Tensor 实例。

接下来我们介绍一下CPU和GPU设备：TensorFlow支持CPU和GPU运行，在程序中设备使用字符串进行表示。CPU表示为”/cpu：0”；第一个GPU表示为”/device：GPU：0”；第二个GPU表示为”/device：GPU：1”，以此类推。如果TensorFlow指令中兼有CPU和GPU实现，当该指令分配到设备时，GPU设备有优先权。TensorFlow仅使用计算能力高于3.5的GPU设备。

TensorFlow在很多地方可以应用，如语音识别，自然语言理解，计算机视觉，广告等等。TensorFlow是一个非常灵活的框架，它能够运行在个人电脑或者服务器的单个或多个CPU和GPU上，甚至是移动设备上。

TensorFlow 内建深度学习的扩展支持，任何能够用计算流图形来表达的计算，都可以使用TensorFlow。任何基于梯度的机器学习算法都能够受益于TensorFlow的自动分化（auto-differentiation）。通过灵活的Python接口，要在TensorFlow中表达想法也会很容易。TensorFlow 对于实际的产品也是很有意义的。将思路从桌面GPU训练无缝搬迁到手机中运行。所以TensorFlow的意义是非常深远和重大的。