2015年11月9日谷歌开源了人工智能平台TensorFlow，同时成为2015年最受存眷的开源项目之一。经历了大年夜v0.1到v0.12的12个版本迭代后，谷歌于2017年2月15日宣布了TensorFlow 1.0 版本，并同时在美国加州山景城举办了首届TensorFlow Dev Summit会议。

TensorFlow 1.0及Dev Summit(2017)回想

和以往版本相比，TensorFlow 1.0 的特点改进重要表如今以下几个方面：

• 速度更快 ：TensorFlow 1.0版本采取了XLA的编译技巧，改进了TensorFlow的运行机能及内存应用。大年夜Benchmark问题的测试结不雅来看，对单机Inception v3模型，实现了在单机8 GPUs上7.3倍的运算加快;对分布式Inception v3模型，实现了在多机64 GPUs上58倍的运算加快。
• 加倍灵活 ：该版本除了支撑tf.layers，tf.metrics及tf.losses模型的High-Level API外，实现了对keras(high-level neural networks library)API的周全兼容。
• 更产品化 ：TensorFlow Python API在v1.0版本中趋于稳定，为产品兼容性打下坚实基本。

在TensorFlow 1.0版本宣布的当天，谷歌公司还举办了TensorFlow 2017 DEV Summit。该 日程重要包含以下几个方面的主题演讲：

• Hands-on TensorBoard可视化技巧：介绍了若何应用TensorBoard，以及TensorFlow图模型、练习数据的可视化等。
• TensorFlow High-Level API：介绍了应用Layers, Estimators, and Canned Estimators High-Level API定义练习模型。
• Integrating Keras & TensorFlow: 介绍了如安在TensorFlow中应用Keras API进行模型定义及练习。
• TensorFlow at DeepMind：介绍了在DeepMind中应用TensorFlow平台的典范案例，包含AlphaGo等应用。
• Skin Cancer Image Classification：介绍了斯坦福医学院应用TensorFlow分类皮肤癌照片，用于医学诊断。
• Mobile and Embedded TensorFlow：介绍了若何把TensorFlow模型运行在移动终端、嵌入式设备，包含安卓，iOS等体系。
• Distributed TensorFlow：体系性地介绍了分布式TensorFlow的相干技巧，以及若何应用于大年夜范围模型练习。
• TensorFlow Ecosystem：讲解了TensorFlow的生态体系，包含生成练习数据，分布式运行TensorFlow和serving models的产品化流程。
• Serving Models in Production with TensorFlow Serving：体系性讲解了如安在临盆情况中应用TensorFlow Serving模型。
• ML Toolkit：介绍了TensorFlow的机械进修库，如线性回归，KMeans等算法模型的应用。
• Sequence Models and the RNN API：介绍了若何构建高机能的sequence-to-sequence模型，以及相干API。
• Wide & Deep Learning: 介绍了若何结合Wide模型和Deep模型构建综合练习模型。
• Magenta，Music and Art Generation：应用加强型深度进修模型生成音乐声音和艺术图片。
• Case Study，TensorFlow in Medicine – Retinal Imaging：应用TensorFlow机械进修平台对医学视网膜图片进行分类，帮助医学诊断。

TensorFlow体系架构

TensorFlow作为分布式机械进修平台，重要架构如下图所示。RPC和RDMA为收集层，重要负粜カ递神经收集算法参数。CPU和GPU为设备层，重要负责神经收集算法中具体的运算操作。Kernel为TensorFlow中算法操作的具体实现，如卷积操作，激活操作等。Distributed Master用于构建子图;切割子图为多个分片，不合的子图分片运行在不合的设备上;Master还负责分发子图分片到Executor/Work端。Executor/Work在设备(CPUs，GPUs，etc.)上，调剂履行子图操作;并负责向其它Worker发送和接收图操作的运行结不雅。C API把TensorFlow瓜分为前端和后端，前端(Python/C++/Java Client)基于C API触发TensorFlow后端法度榜样运行。Training libraries和Inference libs是模型练习和推导的库函数，为用户开辟应用模型应用。

下图为Client、Master及Worker的内部工作道理。”/job:worker/task:0″ 和 “/job:ps/task:0” 表示worker中的履行办事。”job:ps”表示参数办事器，用于存储及更新模型参数。”job:worker”用于优化模型参数，并发参数发送履新数办事器上。Distributed Master和Worker Service只存在于分布式TensorFlow中。单机版本的TensorFlow实现了Local的Session，经由过程本地过程的内部通信实现上述功能。

用户编写TensorFlow应用法度榜样生成计算图，Client组件会创建Session，并经由过程序列化技巧，发送图定义到Distributed Master组件。下图中，Client创建了一个 s+=w*x+b的图计算模型。

当Client触发Session运算的时刻，Maser构建将要运行的子图。并根据设备情况，切割子图为多个分片。下面为Master构建的运行子图：

【编辑推荐】

1. 机械进修进阶标记之一 | TensorFlow安装与入门
2. 摆好精确姿势 看 Google 神级深度进修框架 TensorFlow 的实践思路
    1/5    1 2 3 4 5 下一页 尾页
   
   

   　　推荐阅读

   　　别只盯着SD-WAN了，关注一下IPv6吧

   物联网(IOT)正大年夜根本上改变着科技与我们日常生活的接洽。大年夜可追踪活动状况的穿戴设备到赞助我们节能的智能恒温器，毋庸置疑物联网晋升了我们的生活品德。在企业中，物联网经由过程主动简化营业，发掘新的营业>>>详细阅读

   
   

   本文标题：深度学习利器：TensorFlow系统架构及高性能程序设计

   地址：http://www.17bianji.com/lsqh/34926.html

    1/2    1