Tensor Flow 是 Google 公司推出的一個使用數(shù)據(jù)流圖進行數(shù)值計算的開源人工智能軟件庫，最初由 Google 大腦團隊為了研究機器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)而開發(fā)，之后于 2015 年 10 月宣布開源。機器學(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)展帶動了人工智能近年來發(fā)展的新潮，推動著“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)練機器學(xué)習(xí)模型的 API 庫，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 的運行環(huán)境；前端則負責(zé)提供編程模型，并支持多語言編程環(huán)境。在應(yīng)用中，通過前端調(diào)用 Tensor Flow核心 API，實現(xiàn) Tensor Flow 在不同設(shè)備環(huán)境下的運行。

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 能夠運行在不同類型和大小的機器上，如臺式機、服務(wù)器、手機移動設(shè)備等并可以方便地進行移植。在前端，Tensor Flow 支持 C++、Python、Go、JavaLua、Javascript、R 等主流語言。Tensor Flow 核心庫對 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)建和實現(xiàn)已有的復(fù)雜機器學(xué)習(xí)架構(gòu)。

同時，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庫的高性能、高效率特征，還可以將硬件的計算潛能全部發(fā)揮出來。③促進科學(xué)研究進程。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，通過訓(xùn)練和使用模型，更便捷地將研究成果轉(zhuǎn)化為實際產(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)并且鼓勵社區(qū)參與，使用者通過廣泛的社區(qū)支持可以方便地獲取幫助。

主要開源框架的比較

當(dāng)前，Google Microsoft、Facebook 等科技公司和多家研究機構(gòu)都推出了開源的人工智能與機器學(xué)習(xí)框架，其中主要開源框架的比較如表 1 所示。結(jié)果顯示，較之 Caffe、MXNet、CNTK、Theano、Torch、Paddle Paddle 等主要開源框架，Tensor Flow 在架構(gòu)設(shè)計、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發(fā)提供了良好的基礎(chǔ)和支持。例如在應(yīng)用開源系統(tǒng)進行教育人工智能系統(tǒng)的設(shè)計與實現(xiàn)時，需要遵循以下原則：

設(shè)計方面：從需求出發(fā)，圍繞用戶、目標、問題和場景展開

在人工智能研究中，要注意“人工智能教育不同于娛樂游戲產(chǎn)品，無論是應(yīng)還是市場開發(fā)，都必須充分尊重教育自身規(guī)律?！痹O(shè)計教育人工智能產(chǎn)品是在設(shè)計一個具有主動學(xué)習(xí)、成長、預(yù)測能力的系統(tǒng)，用戶、目標、問題和場景是進行教育人工智能系統(tǒng)設(shè)計時需特別注意考慮的要素。從教育需求出發(fā)，用戶群分析和目標分析是進行系統(tǒng)設(shè)計的前提，而明確應(yīng)用場景和要解決的問題是進行系統(tǒng)設(shè)計的關(guān)鍵。在此基礎(chǔ)上，通過教師、教學(xué)設(shè)計者、教學(xué)軟件開發(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。

實現(xiàn)方面：從教學(xué)模型到教育產(chǎn)品，發(fā)揮開源系統(tǒng)優(yōu)勢

在具體的實現(xiàn)方面，應(yīng)充分發(fā)揮 Tensor Flow 開源系統(tǒng)的優(yōu)勢，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 是一個高性能的服務(wù)系統(tǒng)，用于運行通過機器學(xué)習(xí)得到的模型，使模型能夠更迅速、更便捷地進入產(chǎn)品開發(fā)過程；②可以通過 Tensor Flow Ecosystem 與多種開源框架融合，實現(xiàn)不同開發(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、可擴展性、跨平臺性等優(yōu)勢。