➢ Part One.深度学习平台概览

我们每一位学习深度学习的人员，都应该以某一个平台为主，去开发、去熟悉，这样可以提高我们的效率。

➢一、深度学习平台框架对照

Caffe在卷积网络里面应用是最快的，但是问题是循环神经网络支持性很差，现在大家用的很少。

TensorFlow是目前世界上影响最广的深度学习平台，2015年由Google推出，之后大火。

Torch现在实际上使用的并不多，主要是使用Pytorch ，Pytorch 可以认为是Torch的Python版本。

Pytorch在这2年，得到了非常广泛的应用，对初学者来说，大家上手很容易，门槛很低，大家学习速度会很快。

图片中剩下的都是几乎不怎么使用了的框架

❑ 2018年GitHub统计，TensorFlow最火，Keras次之，Pytorch第三。Keras严格意义上来说，不是一个深度学习的框架，他是一个用Python写的一个API接口，它下面还是要以TensorFlow等框架作为后端来为支撑。Keras的接口简单，所以实现想法的时候会比较容易，因此较火热。推荐大家从前3位中选择一个适合自己的深度学习平台。

➢ Part Two.TensorFlow

➢一、TensorFlow的起源

❑ 2015年11月6日，Google公司宣布推出全新的机器学习开源工具TensorFlow

❑ TensorFlow最初由Google Brain团队开发，基于Google开发的深度学习基础架构DistBelief构建起来的

❑ 官网：https://tensorflow.google.cn/

❑ 相关的源代码在Github一直在更新：https://github.com/tensorflow/tensorflow

❑ TensorFlow：一个采用计算图的形式表述数值计算的编程框架，关于计算图的知识我们在RNN中讲过。这里的计算图和之前的略有不同。

– 张量（Tensor）：计算图的基本数据结构，可以理解为多维数据

– 流（Flow）：架构上流动的数据就是张量，张量之间通过计算互相转化的过程成为“流”

➢二、TensorFlow中的张量

❑ 张量是一个物理量，对高维 (维数 ≥ 2) 的物理量进行 “量纲分析” 的一种工具

❑ 简单的可以理解为：

– 一维数组称为矢量

– 二维数组为二阶张量

– 三维数组为三阶张量

– …

➢三、TensorFlow中的计算图

TensorFlow中的计算图和我们之前在博客：https://blog.****.net/weixin_40645361/article/details/105025876 中介绍的计算图是略有差异的。TensorFlow中的计算图中，节点表示施加的操作；而我们之前在博客中介绍的计算图中，边表示操作

❑ 计算图

– 用“节点”（Nodes）和“边”（Edges）的有向图来描述数学计算的图

❑ 节点

– 表示施加的数学操作，但也可以表示数据输入（feed in）的起点/输出（push out）的终点，或者是读取/写入持久变量（persistent

variable）的终点

❑ 边

– 表示“节点”之间的输入/输出关系。“边”可以运输“大小可动态调整”的“张量”

❑ 节点类型

– Operation：有一个或者两个输入节点的节点，执行某个操作

– Constant：没有输入节点的节点，执行过程中节点的值不变

– Variable：没有输入节点的节点，执行过程中节点中的值会变

– Placeholder：没有输入节点的节点，执行过程中等待外部输入

❑ 计算图示例