TensorFlow+Keras 03 TensorFlow 與 Keras 介紹

1 TensorFlow 架構圖

1.1 處理器

TensorFlow 能夠在CPU、GPU、TPU中執行

1.2 平臺

TensorFlow 具有跨平臺能力，Windows 、Linux、Android、IOS、Raspberry Pi、雲端執行

1.3 分佈式執行引擎

TensorFlow Distributed Execution Engine 分佈式執行引擎

在深度學習中，最花時間的就是模型的訓練，尤爲大型的深度學習模型必須使用大量數據進行訓練，須要數天乃至數週之久，TensorFlow 具有分佈式計算能力，可同時在數百臺機器上執行訓練模型，大幅度縮短模型訓練的時間。

1.4 前端程序語言

TensorFlow 可使用多種前端程序語言，如Python、C++等，但Python的支持效果最好。

1.5 高級API

TensorFlow 是比較低級的深度學習 API，因此用程序設計模型時必須自行設計，張量乘積、卷積等底層操做，此好處時咱們可自行設計各類深度學習模型，缺點是開發時須要編寫更多的程序代碼。

網上開發社區以 TensorFlow 爲底層開發不少高級的深度學習 API ，如 Keras、TF-Learn、TF-Slim、TF-Layer 等，其中 Keras 的功能

2 TensorFlow 簡介

顧名思義，TensorFlow是由Tensor 和 Flow 組成的。

2.1 Tensor（張量）

在數學裏，張量是一種幾何實體或廣義上的 「 數量 」 ，在此 「 數量 」 包含 「 標量、向量或矩陣 「 。

• 零維的張量是標量

           如 0.1

• 一維的張量的向量

           如 [ 0.1  0.2  0.3 ]

• 二維以上的張量是矩陣

          如 [ [ 0.1 0.2 0.3 ]

                 [ 0.4 0.5 0.6 ] ]

2.2 Flow（數據流）

全部的 TensorFlow 程序都是先創建 」 計算圖 「 （computational graph），這是張量運算和數據處理的流程。

咱們可以使用 TensorFlow 提供的模塊以不一樣的程序設計語言創建 」 計算圖 " 。TensorFlow 提供的模塊很是強大，咱們能夠設計張量運算流程，並構建深度學習或機器學習模型。

創建 「 計算圖 」 完成後，咱們就能夠在不一樣的平臺上執行 「 計算圖 」 。

3 TensorFlow 程序設計模式

TensorFlow 程序設計模式的核心是 「 計算圖 」 ，可分爲創建計算圖和執行計算圖兩部分。

3.1 創建計算圖

使用 TensorFlow 提供的模塊創建計算圖，設計張量運算流程，並構建各類深度學習或機器學習模型

3.2 執行計算圖

創建計算圖後，咱們就可創建 Session 來執行計算圖了。

在 TensorFlow 中， Session（願意爲會話）的做用是在客戶端和執行設備間創建鏈接。有了該鏈接，就能夠將計算圖在各類不一樣設備中執行，後續任何與設備之間的數據傳輸都必須經過 Session 來進行，而且最後得到執行後的結果。

4 Keras 介紹

Keras 是一個開源碼的高級深度學習程序庫，使用 Python 編寫，可以在 TensorFlow 或 Theano 之上。

4.1 爲什麼使用 Keras

相對 TensorFlow 低級連接庫而言，Keras 使用最少的程序代碼、花費最小的時間就可創建深度學習模型，進行訓練、評估準確率、並進行預測。

4.2 Keras 的工做方式

Keras 是一個模型級（model-level）的深度學習連接庫，Keras只處理模型的創建、訓練、預測等功能。

深度學習底層的運行，如張量的運算，Keras 必須配合 「 後端引擎 " (backend engine）進行運算；目前 Keras 提供了 TensorFlow 和 Theano 兩種後端引擎。

簡而言之， Keras 程序員只須要專一於創建模型，底層操做細節（以張量運算爲例）則由 Keras 轉化爲 Theano 或 TensorFlow 相應指令。

4.3 Keras 深度學習連接庫特點

1 - 簡單快速地創建原型prototyping ： Keras 具有友好的用戶界面、模塊化設計、可擴充性

2 - 已經內建各類類神經網絡層級，如卷積層 CNN、RNN，此可幫助咱們快速創建神經網絡模型。

3 - 經過後端引擎 Theano 與 TensorFlow，可在 CPU 與 GPU 上運行。

4 - 以Keras 開發的程序代碼更簡潔，可讀性更高、更容易維護、更具備生產力。

5 - Keras的文件多、範例多、淺顯易懂。

5 Keras 程序設計模式

實質上是利用 Keras 創建多層感知器（Multilayer Perceptron）。輸入層 - 隱藏層 - 輸出層；具體過程以下：

5.1 創建 Sequential 模型

Sequential 模型是多個神經網絡的線性堆疊。

model = Sequential()

5.2 向模型中添加 」 輸入層 「 與 」 隱藏層  "

keras 已經內建各類神經網絡層（如 Dense層、Conv2d層等），只要在以前創建的模型上加入咱們選擇的神經網絡層便可。

model.add(Dense(units=256,
                input_dim=784,
                kernel_initializer='normal',
                activation='relu'))

5.3 向模型中添加 」 輸出層 「

model.add(Dense( units=10,
                 kernel_intializer='normal',
                 actiation='softmax'))

以上基本就完成了多層感知器模型的創建。

6 Keras 與 TensorFlow 比較

略