TensorFlow-Google的开源AI和计算引擎

Google开放了一个可用于广泛并行计算的工具，其中包括实现神经网络和其他AI学习方法。

Google正在进行的有关AI的研究的一部分一直在寻找方法，以利用强大的计算工具来实施苛刻的AI技术。例如，神经网络可能相当简单，但是考虑到典型网络的层数和神经元数量，结果甚至是利用训练有素的网络也会导致大量的数字运算。在培训方面，可能需要几天或几周的时间，如果我们要找到更好的工作方式，我们需要能够更快地尝试其他事情。

Google已经实现了一个分布式培训系统的实现，该系统利用了许多称为DistBelief的GPU和CPU。这被用来训练最近引起头条新闻的所有Google神经网络-请参阅“相关文章”。

这行得通，但它专门针对神经网络，并因难以配置而享有盛誉。现在，谷歌已经创建并开源了一个替代品-TensorFlow。

虽然这被报告为AI实现工具，但实际上它是用于分布式计算的通用工具。这更像是Hadoop，用于解决真正困难的问题，而不仅仅是减少映射，它的运行速度是DistBelief的两倍，并且在Google常规使用中也是如此。

TensorFlow的关键及其名称的原因是，它采用了一个流程图，其中的弧对应于张量，节点为张量算子。

如果高端术语“张量”使您感到困惑，请不要担心。在这种情况下，张量只是多维数组。InTensorFlow中的所有数据都是多维数组，并且所有运算符都将张量组合在一起以产生新的张量。

矩阵乘法是一个熟悉的张量运算，这就是您在Python中使用TensorFlow的方式。

将tensorflow作为tf＃导入创建一个产生1x2矩阵的Constant op。＃将op作为节点添加到默认图形。＃＃构造函数返回的值表示＃Constant op的输出＃。 matrix1 = tf.constant（[[3。，3。]]）＃创建另一个常数，该常数产生＃2x1矩阵。 matrix2 = tf.constant（[[2。]，[2。]]）＃创建一个Matmul op，它以＃“ matrix1”和“ matrix2”作为输入。＃返回值乘积代表矩阵的＃结果＃乘法。产品= tf.matmul（矩阵1，矩阵2）

如果您可以将计算表示为流程图，那么TensorFlow将为您实现它。这意味着与神经网络一样，您也可以使用它来执行诸如求解偏微分方程和计算Mandelbrot集的操作。

TensorFlow的本地语言是C ++，这是您要实现新的张量运算符时必须使用的语言。但是，如果您只想使用可用的运算符，那么Python是一个更好的选择，因为有很多辅助函数，并且可以使用交互式iPython（Jupyter）笔记本。希望开源社区将贡献更多和改进的语言绑定和环境。

已经发布的TensorFlow版本并不完全是Google拥有的完整系统。它只能在单台计算机上运行，​​而不能在Google用于执行其AI的那种服务器场上运行。承诺将来会发布完整版本，但目前TensorFlow将利用单台计算机上可用的其他CPU和GPU。所需要做的就是安装CUDA以使其与您的计算机的GPU兼容，这意味着它将与大多数硬件兼容。

乍一看，计算资源的管理似乎并不十分复杂。如果有一个GPU，它将被自动使用，但是如果您有多个GPU，则必须手动将它们分配给特定的节点。即使这样，这也使非专业人员可以更轻松地使用并行计算，这意味着您可以使用笔记本电脑或台式机来训练大型神经网络。

值得一提的是，虽然它是通用的数字处理系统，但确实具有专门针对神经网络的功能。例如，它具有一个自动微分运算符，可以为神经网络模型找到梯度。提供了几种标准模型，但没有提供可实现ImageNet惊人结果的模型-但这也是未来的承诺。

关于TensorFlow项目的值得注意的事情之一是文档非常出色。真的很好很多容易理解的例子，以及很多很好的解释。这增加了TensorFlow被编程和/或AI新手使用的机会。

Google已根据Apache 2.0许可将TensorFlow开源，这一事实确实是个好消息-即使Google一直控制着该项目。还有其他选择，例如Torch，Caffe和Theano，但TensorFlow具有灵活性，可以涵盖培训和使用所需的硬件范围。然而，可以说，谷歌是该项目的幕后推手，这可能是其最大的吸引力所在。鉴于Google的AI团队使用TensorFlow并获得了有用且令人印象深刻的结果，TensorFlow附带了您确实无法忽略的建议。

这可能是将复杂的AI技术广泛传播到“日常”编程中的开始。