TensorFlow 1.0正式發布你需要知道的都在這里

jopen 7年前發布 | 51K 次閱讀 TensorFlow Google

谷歌表示，僅僅在發布的第一年里，TensorFlow 就幫助研究人員、工程師、藝術家、學生以及其他行業人員取得了巨大研究進展。這包括機器翻譯、早期皮膚癌檢測、防止糖尿病失明并發癥等諸多領域。如今，TensorFlow 被用于逾 6000 個開源資源庫，谷歌研究人員對此感到十分欣喜。

昨晚谷歌在山景城舉辦了第一屆 TensorFlow 開發者峰會。作為大會的一部分，TensorFlow 1.0 的正式版本被發布出來。一起來看看它都有哪些新特性：

TensorFlow 1.0正式發布你需要知道的都在這里

更快

它運算更快——TensorFlow 1.0 有十分驚人的速度。它快到什么程度呢？據谷歌表示，在使用八個 GPU 的情況下，TensorFlow 1.0 在 Inception v3 的測試中有 7.3 倍的速度提升。在 64 個分布式 GPU 集群上運行，Inception v3 的跑分增加了 58 倍。

不僅如此，XLA（Accelerated Linear Algebra，即加速線性代數）還為未來進一步的性能提升打下了基礎。TensorFlow 的官方網站 tensorflow.org，也上線了官方使用指南和秘訣，以幫助開發者對模型進行調參，達到最大的訓練速度。另外，雷鋒網獲知，谷歌將發布針對幾大主流模型的實踐指導（更新版本），為如何最大化利用 TensorFlow 1.0 提供指導，相信不久之后就可以看到。

更靈活

它更加靈活—— TensorFlow 1.0 加入了新的高級別 API，還有 tf.layers, tf.metrics, and tf.losses 模塊。非常關鍵的是，谷歌宣布 TensorFlow 1.0 內置了新的 tf.keras 模塊——后者使得 TensorFlow 為 Keras 提供“完全”兼容支持。這在之前就傳出過風聲。作為一個在 ML 開發者當中廣為流傳的神經網絡庫，Keras 的加入無疑讓 Tensorflow 的使用變得更加便利。

更穩定

更適合商業化使用——TensorFlow 加強了 Python API 的穩定性。這使得為它加入新特征變得更加容易，而不需要推翻已有的代碼。

TensorFlow 1.0 的其他關鍵升級：

Python API 被修改得更像 NumPy。與此同時，在一定程度上犧牲了向后兼容性，以最大化 API 的穩定性。具體有哪些改變、哪些兼容性犧牲請見谷歌指南。

針對 Java 和 Go 的試驗性 API。TensorFlow 距離完全支持 Java 更近一步。

高級別 API 模塊： tf.layers、tf.metrics、和 tf.losses——在整合 skflow 和 TF Slim 之后，從 tf.contrib.learn 移植過來。

對 XLA 試驗性的發布。 XLA 是一個應用領域高度聚焦的 TensorFlow 圖編譯器，可運行于 CPU 和 GPU。雷鋒網獲知，谷歌的 XLA 研究進度極快。我們可以期待未來的 TensorFlow 版本配備更完善、更強大的 XLA。

加入了 TensorFlow Debuggerr (tfdbg)。這是一個命令行界面兼 API，用于修復實時 TensorFlow 程序的漏洞

針對物體檢測和定位的新安卓 demo（展示），還有基于攝像頭的圖像風格化。

安裝改進：加入了 Python 3 的 docker 圖標。TensorFlow 的 pip 包變得兼容 PyPI。這意味著可以用 pip 簡便地安裝 TensorFlow。

谷歌大神 Jeff Dean 在發言中表示，看到全世界 TensorFlow 社區以如此驚人得速度發展十分激動。

TensorFlow 1.0正式發布你需要知道的都在這里

TensorFlow 生態在不斷增長，這伴隨著新技術的加入——比如用于動態批處理的 TensorFlow Fold，類似 Embedding Projector 的工具，以及對已有工具的更新，比如 TensorFlow Serving。

油Tube 發布會全程視頻：https://www.油Tube.com/watch?v=LqLyrl-agOw

精華視頻：https://www.油Tube.com/watch?v=4n1AHvDvVvw

Tensorflow 全網最全學習資料匯總之 Tensorflow 的迭代更新【1】

2016 年 4 月 14 日，Google 發布了分布式 TensorFlow，版本號為 0.8，這是 TensorFlow 發布之后的比較重大的版本更新。Google 的博文介紹了 TensorFlow 在圖像分類的任務中，在 100 個 GPUs 和不到 65 小時的訓練時間下，達到了 78% 的正確率。在激烈的商業競爭中，更快的訓練速度是人工智能企業的核心競爭力。而分布式 TensorFlow 意味著它能夠真正大規模進入到人工智能產業中，產生實質的影響。

在 2016 年 6 月，TensorFlow 發布了新版本的早期版本，版本號為 0.9，增加了對 iOS 的支持。

隨著谷歌增加了 TensorFlow 對 iOS 的支持，應用程序將能夠在更聰明的神經網絡功能集成到它們的應用程序，最終使它們更聰明相當能干。

TensorFlow 1.0正式發布你需要知道的都在這里

在 2017 年 1 月底，TensorFlow 終于將迎來史上最重大更新：TensorFlow 1.0。Tensorflow 它已成為 GitHub 最受歡迎的機器學習開源項目。因其高度普及率，尤其是在 Python 生態圈中，TensorFlow 的功能變化會對全世界的機器學習開發者造成重大影響。

上月初，谷歌公布了 TensorFlow 1.0.0-alpha ，即 TensorFlow 1.0 的第一個“草稿”版本。近日，新的候選版本 TensorFlow 1.0.0-rc0 被發布出來，披露了更多技術細節，標志著我們離 “完全體”的 TensorFlow 1.0 更近一步。

1. 0 版本不僅為 TensorFlow 機器學習函數庫帶來多重升級，而且為 Python 和 Java 用戶使用 TensorFlow 做開發降低了難度。另外，新版本的漏洞修補也得到了改善。更有意思的是，由于對 TensorFlow 計算做優化的新編譯器，在智能手機上運行基于 TensorFlow 的機器學習 APP 將成為可能。

在 2 月 7 日谷歌通過博客正式發布了 TensorFlow Fold，該庫針對 TensorFlow 1.0 框架量身打造，可以幫助深度學習開發者根據不同結構的輸入數據建立動態的計算圖（Dynamic Computation Graphs），簡化了模型訓練階段對輸入數據的預處理過程，提升了系統的運行效率。

TensorFlow 1.0正式發布你需要知道的都在這里

Tensorflow 全網最全學習資料匯總之 Tensorflow 的入門與安裝【2】

在安裝之前，這里先列出一些對 TensorFlow 給出大略介紹的文章，其中包括一些重要的概念解釋，TensorFlow 的具體含義和優點，以及 TensorFlow 的基本工作原理等。

1. 《TensorFlow 極速入門》

鏈接：http://www.leiphone.com/news/201702/vJpJqREn7EyoAd09.html

本文介紹了 graph 與 session 等基本組件，解釋了 rank 和 shape 等基礎數據結構概念，講解了一些 variable 需要注意的地方并介紹了 placeholders 與 feed_dict 。最終以一個手寫數字識別的實例將這些點串起來進行了具體說明。

2. 《TensorFlow 學習筆記1：入門》

鏈接：http://www.jeyzhang.com/tensorflow-learning-notes.html

本文與上一篇的行文思路基本一致，首先概括了 TensorFlow 的特性，然后介紹了 graph、session、variable 等基本概念的含義，以具體代碼的形式針對每個概念給出了進一步的解釋。最后通過手寫數字識別的實例將這些點串起來進行了具體說明。

需要指出的是，兩篇文章覆蓋的基礎概念不盡相同，并且舉例用的代碼也不一樣。

3. 《TensorFlow 入門》

鏈接：http://www.jianshu.com/p/6766fbcd43b9#

與上面兩篇不同，本文簡單介紹了 TensorFlow 的含義、優點、安裝和基本工作原理之后，直接通過代碼示例的方式講解了 TensorFlow 的簡單用法，包括生成三維數據，然后用一個平面擬合它，以及通過 variable 實現一個簡單的計數器等。

值得一提的是，以上第二和第三篇分別來自兩個系列文章，這兩個系列也都是關于 TensorFlow 入門和實踐的優秀博客。第二篇的后續文章講述了卷積神經網絡（CNN）模型構建，以及利用 TensorFlow 生成詞向量 (Word Embedding) 的具體過程。第三篇則實際上是基于斯坦福大學基于深度學習的自然語言處理課程的學習筆記，該系列其他的文章還講述了循環神經網絡（RNN）和 word2vec 模型等更深入的知識，感興趣的讀者可以從文章的作者頁找到更多文章。

上述文章都更傾向于 TensorFlow 的簡單介紹了基礎用法，但對于 TensorFlow 具體安裝過程的講述則不夠細致。因此這里專門針對 TensorFlow 的安裝過程推薦一篇教程。

4. 《真正從零開始，TensorFlow 詳細安裝入門圖文教程！》

鏈接：http://www.leiphone.com/news/201606/ORlQ7uK3TIW8xVGF.html

上文來自雷鋒網小編的親身實踐，真正做到了從零開始，詳細介紹了在 Linux 環境下如何通過 pip 命令安裝 TensorFlow 框架的完整流程，以及面對一些常見問題的處理辦法。值得一提的是，本文在講解完框架安裝之后，還針對 Komodo 開發環境進行了簡單介紹。

經過了以上來自民間的實踐教程之后，相信各位讀者對 TensorFlow 的大致情況和具體安裝方法已經有了自己的理解。下面對于那些想要更全面和深入地了解 TensorFlow 的讀者，我們推薦幾個官方的教程。

5. 谷歌官方入門教程

鏈接：https://www.tensorflow.org/get_started/

6. 谷歌教程翻譯

https://github.com/jikexueyuanwiki/tensorflow-zh

這里谷歌給出的入門教程內容十分豐富，除了最基本的安裝、名詞解釋和代碼示例之外，還給出了 API 接口的詳細解釋和說明。但考慮到內容全是英文，因此雷鋒網在這里給出了國內志愿者對谷歌內容的中文翻譯版，可以為那些英文不好的讀者提供參考。

7. TensorFlow 中文社區

http://www.tensorfly.cn/

最后我們在這里推薦一個 TensorFlow 的中文社區，該網站幾乎可以認為是 TensorFlow 的中文官網，除了上述谷歌官方教程的中文翻譯之外，該網站還包括進階指南、API 中文手冊、精華文章和 TF 社區等諸多板塊。

Tensorflow 全網最全學習資料匯總之框架平臺的綜合對比【3】

作為機器學習領域、尤其是 Python 生態圈最受歡迎的框架平臺，TensorFlow 具有許多吸引開發者的優點。其中最顯而易見的是谷歌的技術支持和完善的社區（龐大用戶群）。這些都為 TensorFlow 的普及打下了基礎。但是，開發者需要了解 Tensorflow 在技術上有哪些值得一提的優勢，又有哪些不足，以便在處理特定任務時進行工具選擇。而這些，必須要在與其他平臺、框架的對比中才能凸顯。順便說一句老生常談的話，沒有萬能的工具，只有在不同應用場景下最合適的選擇。因此，雷鋒網整理了介紹 Tensorflow、Caffe、Microsoft Cognitive Toolkit （CNTK）、MXnet、Torch 等平臺框架，以及對它們做橫向對比的文章，供讀者按圖索驥。

綜合介紹

這部分的文章，對 TensorFlow 和其它主流深度學習框架、平臺做了概括性介紹，歸納它們的主要特點。有經驗的開發者可跳過。

谷歌、微軟、OpenAI 等巨頭的七大機器學習開源項目看這篇就夠了

對 Tensorflow、DeepMind Lab、Universe、FastText、CNTK、MXNet、SystemML 這七個開源機器學習平臺、框架做了介紹。它們都是谷歌、微軟、亞馬遜、IBM 等國際互聯網巨頭開發或維護的平臺，在一定程度上反應了巨頭們的 ML 布局以及研究傾向。

注意：該文章發布時非死book 尚未推出 Pytorch。現在看來，Pytorch 是臉書在 ML 領域的關鍵項目。

地址：http://www.leiphone.com/news/201612/rFVygnQf4WjogJQR.html

深度學習——你需要了解的八大開源框架

對 TensorFlow、Torch、Caffe、Theano、Deeplearning4j 等主流開源框架作了簡要介紹，總結了它們的核心優勢及特點。

地址：http://www.leiphone.com/news/201608/5kCJ4Vim3wMjpBPU.html （來源雷鋒網）

對比深度學習十大框架：TensorFlow 最流行但并不是最好

這篇文章翻譯自 Medium，同樣是對開源框架的綜合性介紹。它出自 BEEVA Labs 的數據分析師 Ricardo Guerrero Gomez-Ol 之手，對 TensorFlow、Theano、Keras、Lasagne 等框架和工具做了簡要介紹。

地址：http://geek.csdn.net/news/detail/132553

橫向對比

這幾天 AI 圈都在關注的深度學習庫評測

整理自香港浸會大學褚曉文教授研究團隊的論文。褚教授在論文中對 Caffe、CNTK、MXNet、TensorFlow、Torch 幾大工具在 CPU、GPU 平臺上的性能表現做了深度評測。該論文一經發表便受到廣泛關注，堪稱是迄今為止，對上述幾個主流深度學習框架最深入、客觀的計算性能對比。其研究結果，簡明扼要得歸納了這幾大平臺分別最適合處理何種神經網絡任務。雷鋒網(公眾號：雷鋒網)強力推薦。

地址：http://www.leiphone.com/news/201701/OlEiX6kZLKHVUyW2.html （來源雷鋒網）

機器學習和深度學習的最佳框架大比拼

這篇文章翻譯自 Infoworld，對 TensorFlow、Caffe、CNTK、MXNet、Scikit-learning、Spark MLlib 等幾大框架的優缺點進行了點評，以及實踐總結。本文針對不同背景、習慣的開發者，提供了平臺選擇上的建議。

地址：https://news.cnblogs.com/n/562250/

TensorFlow 等主流深度學習框架比較分析

這篇文章羅列了 TensorFlow、Theano、MXnet 三者的主要屬性和技術規格，做了簡明扼要的對比。

地址：http://www.tuicool.com/articles/BVFb6bb

Caffe、TensorFlow、MXnet 三個開源庫對比

這是國內一名為陳汝丹的開發者的實操心得，對三個框架發表了自己的看法。文章對技術的討論較為細致，適合做實踐參考。

地址：http://chenrudan.github.io/blog/2015/11/18/comparethreeopenlib.html#0-tsina-1-2654-397232819ff9a47a7b7e80a40613cfe1

與其它框架的對比

如何評價百度剛剛開源的 Paddle 平臺？