Google公司推出一個(gè)使用數(shù)據(jù)流圖進(jìn)行數(shù)值計(jì)算的開(kāi)源人工智能軟件庫(kù)

Tensor Flow 是 Google 公司推出的一個(gè)使用數(shù)據(jù)流圖進(jìn)行數(shù)值計(jì)算的開(kāi)源人工智能軟件庫(kù)，最初由 Google 大腦團(tuán)隊(duì)為了研究機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)而開(kāi)發(fā)，之后于 2015 年 10 月宣布開(kāi)源。機(jī)器學(xué)習(xí)與深度學(xué)習(xí)是人工智能技術(shù)中核心、最關(guān)鍵的部分，正是深度學(xué)習(xí)的發(fā)展帶動(dòng)了人工智能近年來(lái)發(fā)展的新潮，推動(dòng)著“大數(shù)據(jù)+深度模型”的發(fā)展。Tensor Flow 提供了豐富的構(gòu)建和訓(xùn)練機(jī)器學(xué)習(xí)模型的 API 庫(kù)，支持卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）、長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short Term Memory Networks，LSTMN）等深度神經(jīng)網(wǎng)絡(luò)模型。Tensor Flow 的基本架構(gòu)如圖 1 所示。其中，設(shè)備層提供 Tensor Flow 的運(yùn)行環(huán)境；前端則負(fù)責(zé)提供編程模型，并支持多語(yǔ)言編程環(huán)境。在應(yīng)用中，通過(guò)前端調(diào)用 Tensor Flow核心 API，實(shí)現(xiàn) Tensor Flow 在不同設(shè)備環(huán)境下的運(yùn)行。

圖1

Tensor Flow 的主要特征有：①靈活性與可移植性。在設(shè)備層，Tensor Flow 能夠運(yùn)行在不同類(lèi)型和大小的機(jī)器上，如臺(tái)式機(jī)、服務(wù)器、手機(jī)移動(dòng)設(shè)備等并可以方便地進(jìn)行移植。在前端，Tensor Flow 支持 C++、Python、Go、JavaLua、Javascript、R 等主流語(yǔ)言。Tensor Flow 核心庫(kù)對(duì) CPU/GPU 是透明的，其布式架構(gòu)使得在大規(guī)模數(shù)據(jù)集上的模型訓(xùn)練可以在合理的時(shí)間內(nèi)完成。②易用性與高效性。Tensor Flow 工作流易于理解，能夠方便地構(gòu)建和實(shí)現(xiàn)已有的復(fù)雜機(jī)器學(xué)習(xí)架構(gòu)。

同時(shí)，目前已有多種高層接口構(gòu)建在 Tensor Flow 之上，如 Keras、Sk Flow 等。Tensor Flow庫(kù)的高性能、高效率特征，還可以將硬件的計(jì)算潛能全部發(fā)揮出來(lái)。③促進(jìn)科學(xué)研究進(jìn)程。以往研究者在科研中的算法需要大量的編碼工作才能轉(zhuǎn)化為產(chǎn)品，而使用 Tensor Flow 可以幫助研究者直接嘗試新的算法，通過(guò)訓(xùn)練和使用模型，更便捷地將研究成果轉(zhuǎn)化為實(shí)際產(chǎn)品，故有效地提高了科研產(chǎn)出率。④良好的技術(shù)支持與完善的社區(qū)。Google 投入了巨大的資源為 Tensor Flow提供支持和引導(dǎo)并且鼓勵(lì)社區(qū)參與，使用者通過(guò)廣泛的社區(qū)支持可以方便地獲取幫助。

主要開(kāi)源框架的比較

當(dāng)前，Google Microsoft、Facebook 等科技公司和多家研究機(jī)構(gòu)都推出了開(kāi)源的人工智能與機(jī)器學(xué)習(xí)框架，其中主要開(kāi)源框架的比較如表 1 所示。結(jié)果顯示，較之 Caffe、MXNet、CNTK、Theano、Torch、Paddle Paddle 等主要開(kāi)源框架，Tensor Flow 在架構(gòu)設(shè)計(jì)、性能、應(yīng)用等方面的表現(xiàn)均更為出色。

Tensor Flow 的應(yīng)用原則

Tensor Flow 為人工智能的研究與開(kāi)發(fā)提供了良好的基礎(chǔ)和支持。例如在應(yīng)用開(kāi)源系統(tǒng)進(jìn)行教育人工智能系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)時(shí)，需要遵循以下原則：

設(shè)計(jì)方面：從需求出發(fā)，圍繞用戶(hù)、目標(biāo)、問(wèn)題和場(chǎng)景展開(kāi)

在人工智能研究中，要注意“人工智能教育不同于娛樂(lè)游戲產(chǎn)品，無(wú)論是應(yīng)還是市場(chǎng)開(kāi)發(fā)，都必須充分尊重教育自身規(guī)律?！痹O(shè)計(jì)教育人工智能產(chǎn)品是在設(shè)計(jì)一個(gè)具有主動(dòng)學(xué)習(xí)、成長(zhǎng)、預(yù)測(cè)能力的系統(tǒng)，用戶(hù)、目標(biāo)、問(wèn)題和場(chǎng)景是進(jìn)行教育人工智能系統(tǒng)設(shè)計(jì)時(shí)需特別注意考慮的要素。從教育需求出發(fā)，用戶(hù)群分析和目標(biāo)分析是進(jìn)行系統(tǒng)設(shè)計(jì)的前提，而明確應(yīng)用場(chǎng)景和要解決的問(wèn)題是進(jìn)行系統(tǒng)設(shè)計(jì)的關(guān)鍵。在此基礎(chǔ)上，通過(guò)教師、教學(xué)設(shè)計(jì)者、教學(xué)軟件開(kāi)發(fā)者的共同參與，完成系統(tǒng)的模型構(gòu)建和功能模塊設(shè)計(jì)。

實(shí)現(xiàn)方面：從教學(xué)模型到教育產(chǎn)品，發(fā)揮開(kāi)源系統(tǒng)優(yōu)勢(shì)

在具體的實(shí)現(xiàn)方面，應(yīng)充分發(fā)揮 Tensor Flow 開(kāi)源系統(tǒng)的優(yōu)勢(shì)，選擇合適的 Tensor Flow 技術(shù)和相關(guān)技術(shù)，將系統(tǒng)模型從教學(xué)研究變成教育產(chǎn)品，具體可以下方面著手：①在應(yīng)用中可以使用 Tensor Flow Serving 導(dǎo)出和應(yīng)用模型——Tensor Flow Serving 是一個(gè)高性能的服務(wù)系統(tǒng)，用于運(yùn)行通過(guò)機(jī)器學(xué)習(xí)得到的模型，使模型能夠更迅速、更便捷地進(jìn)入產(chǎn)品開(kāi)發(fā)過(guò)程；②可以通過(guò) Tensor Flow Ecosystem 與多種開(kāi)源框架融合，實(shí)現(xiàn)不同開(kāi)發(fā)環(huán)境和系統(tǒng)的互通；③在基于Tensor Flow 教育人工智能系統(tǒng)的應(yīng)用中，注意充分發(fā)揮其分布式、可擴(kuò)展性、跨平臺(tái)性等優(yōu)勢(shì)。