AI學習---深度學習&TensorFlow安裝

深度學習

•   深度學習學習目標：

     一、 TensorFlow框架的使用

     二、 數據讀取(解決大數據下的IO操做) + 神經網絡基礎

     三、 卷積神經網絡的學習 + 驗證碼識別的案例

 

  機器學習與深度學習的區別

機器學習與深度學習的區別

    1 特徵提取方面

    2 數據量和計算性能要求
    3 算法表明

例如：

   機器學習： 數據輸入 –》 人工進行特徵工程(須要大量專業領域知識) –》 分類算法計算 –》 得出結論

   深度學習： 數據數據 –》 神經網絡(經過將數據進行層層傳遞建立模型，自動完成特徵提取)  -》 得出結論

 

• 機器學習與深度學習的區別(一) ---特徵提取方面

   

• 機器學習與深度學習的區別(二) ---數據量和計算性能要求

     隨着數據量的增長，機器學習的性能就會降低，相反，深度學習的性能會更好

 

機器學習與深度學習的區別(三) ---算法表明

     機器學習：K-近鄰、樸素貝葉斯、決策樹、算法森林

     深度學習：神經網絡(圖像，語音識別等)

 

深度學習的應用場景

   圖像識別 + 天然語言處理 + 語音識別等

 

機器學習框架介紹

• 深度學習框架對比

TensorFlow： 基於C++開發，可是Python能夠調用，谷歌開源，難，適用於生產部署

PyTorch:  基於Python開發，是Torch的升級版，原Torch是基於lua(音譯：魯拉)，FaceBook開發，中等，適用於學術研究

Caffe: 基於C++開發，適合處理靜態圖片

• TensorFlow的特色

   1. 高度靈活，不只能夠神經網絡算法研究，也能夠普通機器學習算法

   2. C++實現，保證性能，python能夠封裝啓用

   3. 設備啓用，支持各類硬件

   4. Tensorboard的可視化，Tensorboard是TensorFlow的一組Web應用，用於監控TF的運行過程

• TensotFlow的安裝

  能夠基於CPU和GPU進行不一樣版本的安裝

一、 CPU版本

Win7的安裝：

      pip3 intall tensorflow

其餘環境：

 

 

二、GPU

 

• CPU和GPU的對比

      CPU綜合能力強，核芯數量更少，每一個核速度更快，性能更強，適用於處理連續性的任務

      GPU的專業技能強，核芯數量更多，每一個核速度較慢，更適合並行任務，更適合圖片的識別(深度學習更多的是矩陣運算，適用並行)