当前课程知识点:计算思维与人工智能基础 > 第三部分:python基础 > 第九章:TensorFlow基础 > 9.1TensorFlow简介
大家好
我们现在给大家介绍新的一章TensorFlow基础
这一张我们主要给大家介绍TensorFlow发展历程
以及TensorFlow的特点
应用
TensorFlow1.0和2.0的主要区别
那么最后介绍一下TensorFlow主要的概念和常用的函数
TensorFlow
是由谷歌人工智能团队
谷歌大脑开发和维护的
拥有包括TensorFlowHub TensorFlowLife TensorFlowResearch Cloud
在内的多个项目以及各类应用接口
自2015年11月9日起TensorFlow
依据阿帕奇的授权协议开放了源代码
所以说TensorFlow是一个开源软件库
用于各种感知和语言理解任务的机器学习
目前被五十多个团队用于研究和生产许多
谷歌商业产品
如语言识别
Gmail
谷歌相册和搜索
其中许多产品曾使用过其前任软件
DistBelief
那么TensorFlow的发展里程
我们可以看到是从2015年十一月
谷歌以Apachc Liccnce2.0的开元贤协议发布了TensorFlow
那么标志着TensorFlow的诞生
2016年三月AlphaGo战胜了李世石
激发了人们对人工智能的热情
TensorFlow被人们熟知
2017年二月TensorFlow1.0版本发布
标志着他的稳定版的诞生
那么2019年10月2.0正式发布
那么它的应用在深度学习方面更方便
更成熟
那么
自从2019年10月1日谷歌宣布开源机器学习库TensorFlow2.0
我们就可以自由的去下载 去装 使用
TensorFlow2.0的Alpha版本
2019年初在TensorFlow开发者大会上首次发布
那么经过了七个月的不断的修改然后反馈
然后再进行更新
那么2.0的正式版可谓是千呼万唤始出来了
那么从1.0到2.0
TensorFlow的这个变化
那么从图标上我们可以看的到
原来呢
TF是一个立体的粘在一起的 这样的一个组件
那么到2.0以后呢
把T和F分来
那么它的灵活性会更好一些
并且TensorFlow的SDK呢
在一百多个国家被下载超过一千万次
我们可以看到他应用的非常广泛
那么主要在美国
中国
那么在欧洲的一些地方使用非常的热
TensorFlow的特性来说
我们可以看他有几点
一 它是开源的
我们前面说过阿帕奇的协议
那么他开源了源代码
第二个是
拥有全面灵活的工具库和社区资源生态系统
他对这个模型的创建构建都比较简单
那么随处可靠的去机器学习的生产
另外具有强大的研究实验
TensorFlow也支持许多的平台
比如说 可以在CPU GPU上或者在TPU上都可以运行
也支持很多的操作系统
比如说IOS 安卓或者
Raspberry就是我们的树莓派 都是支持的
他也支持很多的语言
我们常用的Pyhon
除了Python的话
我们可以用Java C++ C# R语言 Go语言等等
它可以部署到anywhere
那么也就说它可以部署到
第一 他可以部署到我们的服务器端
有很好的扩展性
那么也可以部署到边缘计算端
那我们就是边缘的设备上
需要通过我们TensorFlow Lite
也可以集成在我们的JavaScript里面
TensorFlow JS
受到了各种用户的欢迎
他比如说学生 研究员
极客 工程师
开发者或者是发明家 创造者
都相继可以使用TensorFlow
并且TensorFlow里面的内置了一些数据集
比如说关于声音的关于图像的
还有一些结构化的文本的关于翻译的还有关于一些视频的
那么可以通过我们的
TensorFlow的官网
我们可以下载相应的数据集
那么对于初学者和专家
那么借用TensorFlow
可以在桌面移动网络
云端环境下创建机器学习的模型
那么对于我们初学者的话
他可以学习TensorFlow的基础知识
那么用这些知识可以创建一个机器学习的项目
那么针对JavaScript的
可以使用TensorFlow JS
那么来创建新的机器学习模型和部署现有的模型
那么对移动设备的
我们的LoT设备是可以使用TensorFlow Lite
在安卓下面和IOS的一些边缘设备上
嵌入一些我们的模型
那么针对生产的可以通过TensorFlow Extended(TFX)
可以投入机器学习这个流水线
而以进行训练和进行推断
还有一些可以比较快速的
比较集成直接都可以继承到一些平台上
使这些平台具有深度学习的这样的一些功能
下面我们看一些TensorFlow的应用
首先呢 我们可以看的到TensorFlow Lite
使用TensorFlow Lite可以在我们的外部端
进行面部轮廓的一些检测
我们可以看到这样的一个例子
那么也可以通过
TensorFlow Js
他可以做一些
比如说这个
可视化的模型的一些训练
还有可以通过RNN来去实现这个
钢琴的一些演奏
也可以通过Node.js
做一些预测等等
那么像我们谷歌的翻译
通过扫描的话
我们可以实现我们中文英文以及语言之间的翻译
许多语言之间的翻译
那还可以
我们可以看向网易NETEASE
他实现了文档的扫描和文档的是检测
那么这个他可以实时稳定的适应各种场景
那么准确快速的去检测文本
那么他所用的资源还是比较少的
我们在应用上可以看到他有这样的一些案例
比如说我们有可口可乐
通过TensorFlow和机器学习
实现了这个于移动购买凭证的识别
那么还有这个视网膜OTC图像疾病类型的预测
以及航空公司的使用
我们的这个WPS
那么使用TensorFlow的AI的移动的办公
还有是VSCO
倾力打造了"For This Photo"的功能
向用户建议设置这个滤镜
以及一些流利说 airbnb等等
他都会用到TensorFlow进行一些
比如说还有这个推特上面
用TensorFlow进行一些微博的一个排名工作
这个都是比较广泛的
应用于各个方面
这叫我们深度学习的影响
以及我们中国移动使用TensorFlow
来提升网源的割接的成功率
都去做这些
以及客运公司
使用TensorFlow
从他们的这个卫星图像中提取信息
并为客户提供有价值的这个数据
这是
我们TensorFlow使用的一个例子
那么TensorFlow在深度学习方面呢
他也有许多的应用
从2006年Geoffrey Hinton
首次提出了深度学习概念
开启了深度学习的第三次复兴之路
-章测试
-章测试
-第一章:python简介
--章测试
-第二章:编码规范
--2.2常量和变量
--章测试
-第三章:数据类型
--章测试
-第四章:基本运算
--4.2比较运算符
--4.3逻辑运算符
--4.4位运算符
--章测试
-第五章:程序控制结构
--5.1顺序结构
--5.2条件结构
--5.3循环结构
--5.4跳转结构
--5.5异常处理
--章测试
-第六章:函数、模块与面向对象
--6.2面向对象
--6.4模块与包
--章测试
-第七章:文件操作
--7.2文件的写入
--章测试
-第八章:python生态库
--章测试
-第九章:TensorFlow基础
--章测试
-第十章:实例分析与实践
--章测试
-第十一章:人工智能在自然语言中的应用
--章测试