TensorFlow+CNN实战AI图像处理，入行计算机视觉内附资料

TensorFlow+CNN实战AI图像处理，入行计算机视觉

download：666xit.com/3960/

TensorFlow

TensorFlow 是一款先进的开源库，旨在开发和布置先进的机器学习应用程序。

什么是 Tensorflow

TensorFlow 是数据科学家、软件开发者和教育作业者首要运用的开源渠道，用于运用数据流图形进行机器学习。图画中的节点代表数学运算，而图画边缘则代表节点间流动的多维数据阵列（张量）。这种灵敏的架构允许将机器学习算法描述为相关运算的图形。能够在便携式设备、台式电脑和高端服务器等众多不同渠道的 GPU、CPU 和 TPU 上练习和履行这些代码，而无需重写代码。这意味着各种布景的编程人员均能够运用相同的东西集进行协作，然后显著进步效率。该系统开始由 Google Brain 团队开发，用于研讨机器学习和深度神经网络 (DNN)，其通用性同样适用于其他各种范畴。

TensorFlow 的作业原理

TensorFlow 作业流程由三个不同的部分界说，即数据预处理、构建模型和练习模型，然后进行猜测。该结构将数据输入称为张量的多维数组，并以两种不同的办法履行。首要办法是构建一个核算图形来界说用于练习模型的数据流。第二种常用的更直观的办法是运用 Eager Execution，该办法遵循指令编程原则并当即评估操作。

运用 TensorFlow 架构，通常在台式电脑或数据中心完结练习。这两种情况下，均经过在 GPU 上放置张量来加快处理速度。然后，经过练习的模型能够在一系列渠道上运转，从台式电脑到移动设备，然后一直到云端。

TensorFlow 还包含很多支撑功用。例如，TensorBoard 允许用户以直观办法监控练习进程、底层核算图形和指标，以便调试运转以及评估模型功能。TensorBoard 是 Tensorflow 和 Keras 的统一可视化结构。

Keras 是在 TensorFlow 上运转的高级 API。Keras 经过供给用于构建常见用例模型的简化 API，进一步深化 TensorFlow 的抽象概念。API 背后的驱动理念是能够在更短的时刻内将主意落实为成果。

TensorFlow 的优势

TensorFlow 可用于开发自然言语处理、图画辨认、手写辨认以及根据核算的不同模仿（例如偏微分方程）等各种使命模型。

TensorFlow 的首要优势在于其能够跨多个加快渠道履行低级运算、自动核算梯度、生产级可扩展性和可互操作的图形导出。经过为 Keras 供给高级 API 和 Eager Execution，替代 TensorFlow 上的数据流范式，始终能够轻松便捷地编写代码。

作为 TensorFlow 的原始开发者，Google 仍然大力支撑该库，并加快其发展速度。例如，Google 创立了一个在线中心，用于同享用户创立的许多不同模型。

TensorFlow 的特定事务用例

图画处理和视频检测。飞机制造业巨子 Airbus 正在运用 TensorFlow 从卫星图画中提取和剖析信息，为客户供给宝贵的实时信息。

时刻序列算法。Kakao 运用 TensorFlow 来猜测网约车请求的完结率。

强壮的扩展才能。NERSC 运用 TensorFlow 将科学深度学习应用程序扩展至 27000 多块 NVIDIA V100 Tensor Core GPU。

建模。PayPal 运用 TensorFlow 进行深度搬迁学习并生成模型，能够辨认杂乱、暂时改变的欺诈形式，一起还能经过加快客户辨认流程的速度来改进合法客户的体会。

文本辨认。SwissCom 自界说构建的 TensorFlow 模型经过对文本进行分类以及在接听电话时确认客户意图来改进事务。

推文优先级。Twitter 运用 TensorFlow 构建其 Ranked Timeline，保证用户即便重视数千名用户也不会错过重要推文。

TensorFlow 对您的重要意义

数据科学家

借助 TensorFlow 开发模型具有多种不同的可用途径，意味着您始终能够运用适合该作业的合适东西，更快地表达立异主意和新颖算法。其作为用于开发机器学习模型的常用库之一，在测验仿制作品时，通常很容易从以前的研讨人员那里找到 TensorFlow 代码，然后避免浪费时刻来编写样板代码和冗余代码。

软件开发者

TensorFlow 能够在各种常见的硬件渠道和操作环境中运转。随着 2019 年底 TensorFlow 2.0 的发布，在更多渠道上布置 TensorFlow 模型变得愈加简略。运用 TensorFlow 创立的模型的互操作性表明布置绝不是一项艰巨的使命。

TensorFlow 和 NVIDIA

图形处理器或 GPU 装备由数千个小型高效核心组成的大规模并行架构，能够一起发动数千个并行线程，能够强力支撑核算密集型使命。

十年前，研讨人员发现 GPU 十分拿手矩阵运算和代数核算，而深度学习就十分依赖于这两种运算。

TensorFlow 在新款 NVIDIA Pascal GPU 上的运转速度可提升高达 50%，而且能够顺畅跨 GPU 进行扩展。 如今，您练习模型的时刻能够从几天缩短到几小时。

TensorFlow 运用优化的 C++ 和 NVIDIA CUDA 东西包编写，使模型能够在练习和推理时在 GPU 上运转，然后大幅提速。

TensorFlow GPU 支撑需求多个驱动和库。为简化装置并避免库抵触，主张利用 GPU 支撑的 TensorFlow Docker 镜像。此设置仅需求 NVIDIA GPU 驱动而且装置 NVIDIA Docker。用户能够从预装备了预练习模型和 TensorFlow 库支撑的 NGC (NVIDIA GPU Cloud) 中提取容器。

面向开发者的 NVIDIA 深度学习

GPU 加快深度学习结构能够为规划和练习自界说深度神经网络带来灵敏性，并为 Python 和 C/C++ 等常用编程言语供给编程接口。MXNet、PyTorch、TensorFlow 等广泛运用的深度学习结构依赖于 NVIDIA GPU 加快库，能够供给高功能的多 GPU 加快练习。

NVIDIA GPU 加快的端到端数据科学

NVIDIA RAPIDS 开源软件库套件，根据 CUDA-X AI 而创立，使您彻底能够在 GPU 上履行端到端数据科学和剖析流程。此套件依靠 NVIDIA CUDA 基元进行低级别核算优化，但经过用户友好型 Python 接口完成了 GPU 并行化和高带宽显存速度。

借助 RAPIDSGPU DataFrame，数据能够经过一个相似 Pandas 的接口加载到 GPU 上，然后用于各种衔接的机器学习和图形剖析算法，而无需脱离 GPU。这种级别的互操作性可经过 Apache Arrow 等库完成，而且可加快端到端流程（从数据预备到机器学习，再到深度学习）。

RAPIDS 支撑在许多抢手数据科学库之间同享设备内存。这样可将数据保留在 GPU 上，并省去了来回仿制主机内存的昂扬本钱。