首页 理论教育TensorFlow架构图解析

TensorFlow架构图解析

【摘要】:TensorFlow的架构图如图8-5所示。TensorFlow分布式执行引擎:在深度学习中,最花时间的就是模型的训练,尤其大型的深度学习模型必须使用大量数据进行训练,需要数天乃至数周之久,TensorFlow具备分布式计算能力,可同时在数百台机器上执行训练模型,大幅缩短模型训练的时间。

TensorFlow的架构图如图8-5所示。

处理器:TensorFlow可以在CPU、GPU、TPU中执行。

平台:TensorFlow具备跨平台能力,可以在目前主流的平台执行。

TensorFlow分布式执行引擎(distributed execution engine):在深度学习中,最花时间的就是模型的训练,尤其大型的深度学习模型必须使用大量数据进行训练,需要数天乃至数周之久,TensorFlow具备分布式计算能力,可同时在数百台机器上执行训练模型,大幅缩短模型训练的时间。

前端程序语言:TensorFlow可以使用多种前端语言,例如Python、C++等,但对Python的支持是最好的,Python具有程序代码简明、易学习、高生产力的特质,面向对象、函数式的动态语言,应用非常广泛。

图8-5 TensorFlow架构图

高级API:TensorFlow是比较低级的深度学习API,所以用程序设计模型时必须自行设计(张量乘积、卷积等底层操作),好处是我们可以自行设计各种深度学习模型,但是缺点是开发时需要编写更多的程序代码,并且需要花更多的时间,所以网上的开发社区以TensorFlow为底层开发很多高级的深度学习API,例如Keras、TF-Learn、TF-Slim、TF-Layer等,这样让开发者使用更简洁、更可读性的程序代码就可以构建出各种复杂的深度学习模型。