筆者最近經常會在機器學習的課程中聽到Tensorflow，為了滿足自己的好奇心，就搜尋了一下這個單字，結果發現TensorFlow是一個機器學習框架，如果使用者有非常多的資料就可以透過TensorFlow快速的訓練一個有用的模式(例如:利用類神經網路做文字的辨識)。TensorFlow是一個開源軟體庫(2015年開始使用)，用於各種感知和語言理解任務的機器學習。目前被50個團隊用於研究和生產許多Google商業產品，如語音辨識、Gmail、Google 相簿和搜尋，其中許多產品曾使用過其前代軟體DistBelief (2011年開始使用，它是Google推出的第一代內部深度學習框架，能夠幫助Google利用自家的數據中心構建大型的神經網絡)。
以下的圖是TensorFlow的操作流程，TensorFlow 提供了一系列的工作流程，可使用 Python、JavaScript 或 Swift 來開發及訓練模型，無論你使用的是哪一種語言，都能在雲端、內部端、瀏覽器端或裝置端輕鬆部署模型。TensorFlow可以讓使用者做到資料的前處理、模式的選擇、最後模型的部屬，可以流程化的完成。
圖形來源: https://www.ithome.com.tw/news/128304
TensorFlow包含以下的流程，主要可分為兩部分:
訓練過程:
- 資料的處理：使用tf.data和TFRecord 可以高效的建置預處理資料集與訓練資料集。同時也可以使用TensorFlow Datasets，讓使用者可以快速載入常用的公開資料集。
- 模型的建立與測試：使用即時執行模式和著名的神經網路高層 API框架 Keras，結合視覺化工具TensorBoard，可以簡單、快速地建立和測試模型。也可以通過 TensorFlow Hub 方便的載入已有的模型。
- 模型的訓練：支援在CPU、GPU、TPU上訓練模型，支援單機和多台電腦平行訓練模型，充分利用大量資料和計算資源進行高效訓練。
- 模型的匯出：將模型打包匯出為統一的SavedModel格式，方便遷移和部署。
部屬過程:
- 伺服器部署：使用TensorFlow Serving 在伺服器上為訓練完成的模型提供高性能、且可平行運算的高流量 API。
- 可攜式裝置和嵌入式設備部署：使用TensorFlow Lite將模型轉換為體積小、高效率的輕量化版本，並在可攜式裝置、嵌入式端等功耗和計算能力受限的設備上運行，支援使用 GPU 代理進行硬體加速，還可以配合Edge TPU 等外接硬體加速運算。
- 網頁端部署：使用 TensorFlow.js，在網頁端等支援 JavaScript 運行的環境上也可以運行模型，支援使用WebGL進行硬體加速。
介紹了那麼多，到底TensorFlow要如何安裝呢，有在使用Python的使用者，可以透過以下步驟完成安裝
步驟一:安裝 Python 環境。此處建議安裝 Anaconda 的 Python 3.8 版本，這是一個開源的 Python 發行版本，提供了一個完整的科學計算環境，包括 NumPy、SciPy 等常用科學計算套件。Anaconda 的安裝連結可在此獲得(https://www.anaconda.com/products/individual)。
- 步驟二:使用 Anaconda 內建的 conda 套件管理器建立一個 Conda 虛擬環境，並進入該虛擬環境。在命令列下輸入：
conda create --name tf2 python=3.8 # “tf2”是你建立的conda虛擬環境的名字
conda activate tf2 # 進入名為“tf2”的conda虛擬環境
- 步驟三：使用 Python 套件管理器 pip 安裝 TensorFlow。在命令列下輸入：
pip install tensorflow
等待片刻即可安裝完畢。
參考資料:
- 簡單粗暴 TensorFlow 2(這是一本介紹TensorFlow 2非常有用的工具書) : https://tf.wiki/zh_hant/introduction.html
- TensorFlow 的官網: https://www.tensorflow.org
留言列表
{{ article.title }}