Android Studio 最新资讯
Android Studio 热门资讯
用户评价：  / 9
差好 
TensorFlow内建深度学习的扩展支持，不止于此——任何能够用计算流图形来表达的计算，都可以使用TensorFlow。任何基于梯度的机器学习算法都能够受益于TensorFlow的自动分化（auto-differentiation）。通过灵活的Python接口，要在TensorFlow中表达想法也会很容易。
除了在研究方面，TensorFlow会很有帮助，对于实际的产品也是很有意义的。将思路从桌面GPU训练无缝搬迁到手机中运行。使用谷歌的样本模型架构，就能很快地开始使用机器学习技术——谷歌正计划在TensorFlow之上发布ImageNet计算机视觉模型。美丽三亚 浪漫天涯！三亚人民欢迎您！！！
您所在位置：&>&&>&&&&内容
揭秘TensorFlow：Google开源到底开的是什么？
　　这两天发现朋友圈被Google开源深度学习系统TensorFlow的新闻刷屏了。这当然是一个很好的消息，尤其对我们这种用机器学习来解决实际问题的工程师来说更是如此。但同时很多人并不清楚听起来神乎其神的“TensorFlow”到底是什么，有什么意义。　　我是人工智能科技公司“出门问问”的工程师，对人工智能“深度学习”理论有一定的了解，在这里就为大家“破雾”，聊一聊Google的开源系统TensorFlow。　　什么是深度学习？　　在机器学习流行之前，都是基于规则的系统，因此做语音的需要了解语音学，做NLP的需要很多语言学知识，做深蓝需要很多国际象棋大师。　　而到后来统计方法成为主流之后，领域知识就不再那么重要，但是我们还是需要一些领域知识或者经验来提取合适的feature(特征)，feature的好坏往往决定了机器学习算法的成败。对于NLP来说，feature还相对比较好提取，因为语言本身就是高度的抽象；而对于Speech或者Image来说，我们人类自己也很难描述我们是怎么提取feature的。比如我们识别一只猫，我们隐隐约约觉得猫有两个眼睛一个鼻子有个长尾巴，而且它们之间有一定的空间约束关系，比如两只眼睛到鼻子的距离可能差不多。但怎么用像素来定义”眼睛“呢？如果仔细想一下就会发现很难。当然我们有很多特征提取的方法，比如提取边缘轮廓等等。　　但是人类学习似乎不需要这么复杂，我们只要给几张猫的照片给人看，他就能学习到什么是猫。人似乎能自动“学习”出feature来，你给他看了几张猫的照片，然后问猫有什么特征，他可能会隐隐预约地告诉你猫有什么特征，甚至是猫特有的特征，这些特征豹子或者老虎没有。　　深度学习为什么最近这么火，其中一个重要的原因就是不需要(太多)提取feature。　　从机器学习的使用者来说，我们以前做的大部分事情是feature&engineering，然后调一些参数，一般是为了防止过拟合。而有了深度学习之后，如果我们不需要实现一个CNN或者LSTM，那么我们似乎什么也不用干。(机器让工人失业，机器学习让搞机器学习的人失业！人工智能最终的目的是让人类失业？)　　但是深度学习也不是万能的，至少现在的一个问题是它需要更强的计算能力才能训练出一个比较好的模型。它还不能像人类那样通过很少的训练样本就能学习很好的效果。　　其实神经网络提出好几十年了，为什么最近才火呢？其中一个原因就是之前它的效果并不比非深度学习算法好，比如SVM。　　到了2006年之后，随着计算能力的增强(尤其是GPU的出现)，深度神经网络在很多传统的机器学习数据集上体现出优势来之后，后来用到Image和Speech，因为它自动学出的feature不需要人工提取feature，效果提升更加明显。这是否也说明，我们之前提取的图像feature都不够好，或者是根据人脑的经验提取的feature不适合机器的模型？　　很多人对深度学习颇有微词的一个理由就是它没有太多理论依据，更多的像蛮力的搜索
相关新闻：
阅读助手：
编辑：NO106
请输入评论内容即可发布！　
匿名发表　
我也来评评，说两句！
* 您将为您所发的言论后果负责，故请各位遵纪守法并注意文明发言；
* 以上留言只代表网友个人观点，不代表本网观点。
版权声明：1、三亚网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述，固不承担稿件的连带责任。2、文章内容仅供参考，如有侵权等请直接联系：（请将#替换为@），我们将及时删除！主题信息（必填）
主题描述（最多限制在50个字符）
申请人信息（必填）
申请信息已提交审核，请注意查收邮件，我们会尽快给您反馈。
如有疑问，请联系
如今的编程是一场程序员和上帝的竞赛，程序员要开发出更大更好、傻瓜都会用到软件。而上帝在努力创造出更大更傻的傻瓜。目前为止，上帝是赢的。个人网站：。个人QQ群：、
个人大数据技术博客：
是Google用于研究深层神经网络技术，以及对相关产品做机器学习训练的新一代深度学习系统，日前以Apache 2.0许可开源。Google在此之前的一代深度学习系统名为DistBelief，它易于扩展，能对几种基本模型做训练，但对科研工作者来说，DistBelief却不够灵活。随着Google对相关问题理解逐渐深入，令他们有能力对系统做大幅精简和重新架构。TensorFlow核心以C++写成，前端支持Python和C++，并且容易扩展对其他语言的支持，例如Google内部已经有人在实现Go接口。一个Python示例如下：$ python
&&& import tensorflow as tf
&&& hello = tf.constant('Hello, TensorFlow!')
&&& sess = tf.Session()
&&& print sess.run(hello)
Hello, TensorFlow!
&&& a = tf.constant(10)
&&& b = tf.constant(32)
&&& print sess.run(a+b)
在这套系统中，计算过程是一张数据流图（Dataflow Graph），节点（Node，也称为Operation）由张量（Tensor）连接——TensorFlow正得名于此。整个系统是分布式的，不同节点可映射到不同主机上（包括手机到超级计算机），或者将不同数据，分别在CPU和GPU中计算。其灵活体现在：
TensorFlow是一套通用计算架构：
“深度学习”由系统核心之上的一组库支持
对其他机器学习算法同样适用
能应付高性能计算（HPC）任务
抽象能力强，隐藏了底层设备和硬件，又可在需要时暴露
易于扩展：
核心系统定义了一组标准Operation及Kernel（与设备相关的操作实现）
易于定义新的Operation及Kernel
这套系统最初由Google Brain Team的工程研发，为何Google选择将其开源而非雪藏？Google的文章说，他们认为，“机器学习”是未来创新产品和技术的关键，但这个领域的研究者长期以来都缺乏通用的工具，将这套目前最好的机器学习工具公诸于众，目的就是为了打造一套开放标准，让这个领域的研究者，可以更有效率的开展研究并交流思想。您正在使用IE低版浏览器，为了您的雷锋网账号安全和更好的产品体验，强烈建议使用更快更安全的浏览器
Google开源TensorFlow系统，这背后都有什么门道？
据国外媒体报道，谷歌于周一发布全新人工智能系统TensorFlow。该系统可被用于或照片识别等多项机器深度学习领域，主要针对2011年开发的深度学习基础架构DistBelief进行了各方面的改进，它可在小到一部、大到数千台数据中心服务器的各种设备上运行。更重要的是，谷歌表示，TensorFlow将完全开源，任何人都可以用。所以，这其中有几个意思？关于TensorFlow的前世今生TensorFlow是谷歌研发的第二代人工智能学习系统，而第一代的DistBelief比这个要早好多年。DistBelief诞生于2011年，它是谷歌推出的第一代内部深度学习结构，能够帮助谷歌利用自家的数据中心构建大型的，主要应用于人工智能的开发，比如语音识别、等等。但是，DistBelief本身存在一些技术上的短板，对谷歌的人工智能发展仍有一些限制。如谷歌高级研究员Jeff&Dean和技术主管Rajat&Monga表示，DistBelief关注的重心是神经网络，而且与谷歌内部的基础架构联系紧密。也就是说，该系统“几乎不可能与外部共享研究代码”，而且使用起来比较难设置。而TensorFlow正是基于第一代DistBelief进行开发的，其命名来源于本身的运行原理，Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow即为张量从图象的一端流动到另一端——将复杂的数据结构传输至人工智能神经网中进行分析和处理。相比较之下，作为谷歌第二代人工智能系统，TensorFlow更快、更智能化，也更加灵活，可以更加轻松地应用于谷歌的新产品以及支持技术研究。按某些标准计算，TensorFlow的运行速度相当于DistBelief的3倍。此外，TensorFlow一大亮点是支持异构设备分布式计算，它能够在各个平台上自动运行模型，从电话、单个CPU&/&GPU到成百上千GPU卡组成的分布式系统。也就是说，任何基于梯度的机器学习算法都能够受益于TensorFlow的自动分化（auto-differentiation）。谷歌为什么敢开源？鉴于TensorFlow系统的强大功能，加上谷歌正计划在TensorFlow的基础上发布ImageNet计算机视觉模型，理论上使用谷歌的样本模型架构的话，就能很快地开始使用机器学习技术，因此，它可谓谷歌在计算机智能应用方面的杀手锏。不过，谷歌公司表示，开源该系统并不会危及公司的战略，而且还是会让公司保持优势。为什么呢？通过谷歌最新公布的白皮书可见，虽然该系统转为开源，但这次开源的TensorFlow是单机实现，其最有价值的分布式数据流实现，并没有开源。也就是说，谷歌此举还是留下了一些能保持自身独特性的东西，比如巨量的数据、可以运行该软件的计算机网络，以及一个庞大的可以调整算法的人工智能专家团队。谷歌开源的做法，其实和开源人工智能研究的举措相类似。深度学习系统或软件不是一装上就能用的，它在发布前期需要通过使用者数据进行很多测试、调整，顾名思义就是一个学习的过程。Facebook开放人工智能研究就是因为缺乏自己的移动操作系统和通信渠道，没有什么途径来检测产品，唯有通过与其他公司组织合作，来完善创新。同样，如果谷歌没有工程师来为其进行数百万个参数的调整，那么谷歌这次放出的深度学习算法的用途就极为有限。专家表示，调整这些参数需要不断试错，初次接触的人要花费很长时间。谷歌也需要通过放出这套系统吸引更多研究人员，从而为其找到新的用武之地，并进行改进。据报道，谷歌2011年展开了一个试图训练神经网络的Google&Brain项目。Google&Brain在当时拥有1.6万个多个微处理器，创建了一个有数十亿连接的神经网络，在这个项目研究中，该网络结果观看了千万数量级的图像，并从图像中自主辨识出了“猫”。研究人员表示：“在训练中，我们从未告诉它‘这是一只猫’。基本上可以说，它发明了猫这个概念。”TensorFlow的未来2004年，Google创始人Larry&Page和Sergey&Brin曾预言道：“计算机将会被植入人类大脑，搜索会成为一种自主进行的行为。”11年之后的今天，Google没有将搜索功能植入大脑，但该公司将搜索机器变成一个人工智能大脑。“这是一种能够让研究人员的创意直接转化成产品的工具，以后研究人员或者就无须再为什么新想法重新编写代码了。”这是谷歌未来的愿景，而TensorFlow就是通向这个未来的里程碑之一。开源TensorFlow能够加速谷歌在人工智能技术的部署，帮助该公司在人工智能发展日益重要的未来抢占更多的主导权。不过当然，开源就存在着多方合作的可能，数据的资源共享、技术研究的交流碰撞……谷歌的发展同样也会带动业界的技术整体发展。多年以前人们就知道开源的重要性，正如开源硬件公司&CEO&Musto所言：“我们需要开源，我们需要社群的智慧。”
关闭雷锋广告
同步到新浪微博
中国智能硬件第一媒体。
扫描二维码，关注作者
当月热门文章
本栏目由提供
为了您的账户安全，请
您的邮箱还未验证,完成可获20积分哟！
您的账号已经绑定，现在您可以以方便用邮箱登录}