转载

TensorFlow 1.0正式发布你需要知道的都在这里

谷歌表示，仅仅在发布的第一年里，TensorFlow 就帮助研究人员、工程师、艺术家、学生以及其他行业人员取得了巨大研究进展。这包括机器翻译、早期皮肤癌检测、防止糖尿病失明并发症等诸多领域。如今，TensorFlow 被用于逾 6000 个开源资源库，谷歌研究人员对此感到十分欣喜。

昨晚谷歌在山景城举办了第一届 TensorFlow 开发者峰会。作为大会的一部分，TensorFlow 1.0 的正式版本被发布出来。一起来看看它都有哪些新特性：

更快

它运算更快——TensorFlow 1.0 有十分惊人的速度。它快到什么程度呢？据谷歌表示，在使用八个 GPU 的情况下，TensorFlow 1.0 在 Inception v3 的测试中有 7.3 倍的速度提升。在 64 个分布式 GPU 集群上运行，Inception v3 的跑分增加了 58 倍。

不仅如此，XLA（Accelerated Linear Algebra，即加速线性代数）还为未来进一步的性能提升打下了基础。TensorFlow 的官方网站 tensorflow.org，也上线了官方使用指南和秘诀，以帮助开发者对模型进行调参，达到最大的训练速度。另外，雷锋网获知，谷歌将发布针对几大主流模型的实践指导（更新版本），为如何最大化利用 TensorFlow 1.0 提供指导，相信不久之后就可以看到。

更灵活

它更加灵活—— TensorFlow 1.0 加入了新的高级别 API，还有 tf.layers, tf.metrics, and tf.losses 模块。非常关键的是，谷歌宣布 TensorFlow 1.0 内置了新的 tf.keras 模块——后者使得 TensorFlow 为 Keras 提供“完全”兼容支持。这在之前就传出过风声。作为一个在 ML 开发者当中广为流传的神经网络库，Keras 的加入无疑让 Tensorflow 的使用变得更加便利。

更稳定

更适合商业化使用——TensorFlow 加强了 Python API 的稳定性。这使得为它加入新特征变得更加容易，而不需要推翻已有的代码。

TensorFlow 1.0 的其他关键升级：

Python API 被修改得更像 NumPy。与此同时，在一定程度上牺牲了向后兼容性，以最大化 API 的稳定性。具体有哪些改变、哪些兼容性牺牲请见谷歌指南。

针对 Java 和 Go 的试验性 API。TensorFlow 距离完全支持 Java 更近一步。

高级别 API 模块： tf.layers、tf.metrics、和 tf.losses——在整合 skflow 和 TF Slim 之后，从 tf.contrib.learn 移植过来。

对 XLA 试验性的发布。 XLA 是一个应用领域高度聚焦的 TensorFlow 图编译器，可运行于 CPU 和 GPU。雷锋网获知，谷歌的 XLA 研究进度极快。我们可以期待未来的 TensorFlow 版本配备更完善、更强大的 XLA。

加入了 TensorFlow Debuggerr (tfdbg)。这是一个命令行界面兼 API，用于修复实时 TensorFlow 程序的漏洞

针对物体检测和定位的新安卓 demo（展示），还有基于摄像头的图像风格化。

安装改进：加入了 Python 3 的 docker 图标。TensorFlow 的 pip 包变得兼容 PyPI。这意味着可以用 pip 简便地安装 TensorFlow。

谷歌大神 Jeff Dean 在发言中表示，看到全世界 TensorFlow 社区以如此惊人得速度发展十分激动。

TensorFlow 1.0正式发布你需要知道的都在这里

TensorFlow 生态在不断增长，这伴随着新技术的加入——比如用于动态批处理的 TensorFlow Fold，类似 Embedding Projector 的工具，以及对已有工具的更新，比如 TensorFlow Serving。

Youtube 发布会全程视频：https://www.youtube.com/watch?v=LqLyrl-agOw

精华视频：https://www.youtube.com/watch?v=4n1AHvDvVvw

Tensorflow 全网最全学习资料汇总之 Tensorflow 的迭代更新【1】

2016 年 4 月 14 日，Google 发布了分布式 TensorFlow，版本号为 0.8，这是 TensorFlow 发布之后的比较重大的版本更新。Google 的博文介绍了 TensorFlow 在图像分类的任务中，在 100 个 GPUs 和不到 65 小时的训练时间下，达到了 78% 的正确率。在激烈的商业竞争中，更快的训练速度是人工智能企业的核心竞争力。而分布式 TensorFlow 意味着它能够真正大规模进入到人工智能产业中，产生实质的影响。

在 2016 年 6 月，TensorFlow 发布了新版本的早期版本，版本号为 0.9，增加了对 iOS 的支持。

随着谷歌增加了 TensorFlow 对 iOS 的支持，应用程序将能够在更聪明的神经网络功能集成到它们的应用程序，最终使它们更聪明相当能干。

TensorFlow 1.0正式发布你需要知道的都在这里

在 2017 年 1 月底，TensorFlow 终于将迎来史上最重大更新：TensorFlow 1.0。Tensorflow 它已成为 GitHub 最受欢迎的机器学习开源项目。因其高度普及率，尤其是在 Python 生态圈中，TensorFlow 的功能变化会对全世界的机器学习开发者造成重大影响。

上月初，谷歌公布了 TensorFlow 1.0.0-alpha ，即 TensorFlow 1.0 的第一个“草稿”版本。近日，新的候选版本 TensorFlow 1.0.0-rc0 被发布出来，披露了更多技术细节，标志着我们离 “完全体”的 TensorFlow 1.0 更近一步。

1. 0 版本不仅为 TensorFlow 机器学习函数库带来多重升级，而且为 Python 和 Java 用户使用 TensorFlow 做开发降低了难度。另外，新版本的漏洞修补也得到了改善。更有意思的是，由于对 TensorFlow 计算做优化的新编译器，在智能手机上运行基于 TensorFlow 的机器学习 APP 将成为可能。

在 2 月 7 日谷歌通过博客正式发布了 TensorFlow Fold，该库针对 TensorFlow 1.0 框架量身打造，可以帮助深度学习开发者根据不同结构的输入数据建立动态的计算图（Dynamic Computation Graphs），简化了模型训练阶段对输入数据的预处理过程，提升了系统的运行效率。

TensorFlow 1.0正式发布你需要知道的都在这里

Tensorflow 全网最全学习资料汇总之 Tensorflow 的入门与安装【2】

在安装之前，这里先列出一些对 TensorFlow 给出大略介绍的文章，其中包括一些重要的概念解释，TensorFlow 的具体含义和优点，以及 TensorFlow 的基本工作原理等。

1. 《TensorFlow 极速入门》

链接：http://www.leiphone.com/news/201702/vJpJqREn7EyoAd09.html

本文介绍了 graph 与 session 等基本组件，解释了 rank 和 shape 等基础数据结构概念，讲解了一些 variable 需要注意的地方并介绍了 placeholders 与 feed_dict 。最终以一个手写数字识别的实例将这些点串起来进行了具体说明。

2. 《TensorFlow 学习笔记1：入门》

链接：http://www.jeyzhang.com/tensorflow-learning-notes.html

本文与上一篇的行文思路基本一致，首先概括了 TensorFlow 的特性，然后介绍了 graph、session、variable 等基本概念的含义，以具体代码的形式针对每个概念给出了进一步的解释。最后通过手写数字识别的实例将这些点串起来进行了具体说明。

需要指出的是，两篇文章覆盖的基础概念不尽相同，并且举例用的代码也不一样。

3. 《TensorFlow 入门》

链接：http://www.jianshu.com/p/6766fbcd43b9#

与上面两篇不同，本文简单介绍了 TensorFlow 的含义、优点、安装和基本工作原理之后，直接通过代码示例的方式讲解了 TensorFlow 的简单用法，包括生成三维数据，然后用一个平面拟合它，以及通过 variable 实现一个简单的计数器等。

值得一提的是，以上第二和第三篇分别来自两个系列文章，这两个系列也都是关于 TensorFlow 入门和实践的优秀博客。第二篇的后续文章讲述了卷积神经网络（CNN）模型构建，以及利用 TensorFlow 生成词向量 (Word Embedding) 的具体过程。第三篇则实际上是基于斯坦福大学基于深度学习的自然语言处理课程的学习笔记，该系列其他的文章还讲述了循环神经网络（RNN）和 word2vec 模型等更深入的知识，感兴趣的读者可以从文章的作者页找到更多文章。

上述文章都更倾向于 TensorFlow 的简单介绍了基础用法，但对于 TensorFlow 具体安装过程的讲述则不够细致。因此这里专门针对 TensorFlow 的安装过程推荐一篇教程。

4. 《真正从零开始，TensorFlow 详细安装入门图文教程！》

链接：http://www.leiphone.com/news/201606/ORlQ7uK3TIW8xVGF.html

上文来自雷锋网小编的亲身实践，真正做到了从零开始，详细介绍了在 Linux 环境下如何通过 pip 命令安装 TensorFlow 框架的完整流程，以及面对一些常见问题的处理办法。值得一提的是，本文在讲解完框架安装之后，还针对 Komodo 开发环境进行了简单介绍。

经过了以上来自民间的实践教程之后，相信各位读者对 TensorFlow 的大致情况和具体安装方法已经有了自己的理解。下面对于那些想要更全面和深入地了解 TensorFlow 的读者，我们推荐几个官方的教程。

5. 谷歌官方入门教程

链接：https://www.tensorflow.org/get_started/

6. 谷歌教程翻译

https://github.com/jikexueyuanwiki/tensorflow-zh

这里谷歌给出的入门教程内容十分丰富，除了最基本的安装、名词解释和代码示例之外，还给出了 API 接口的详细解释和说明。但考虑到内容全是英文，因此雷锋网在这里给出了国内志愿者对谷歌内容的中文翻译版，可以为那些英文不好的读者提供参考。

7. TensorFlow 中文社区

http://www.tensorfly.cn/

最后我们在这里推荐一个 TensorFlow 的中文社区，该网站几乎可以认为是 TensorFlow 的中文官网，除了上述谷歌官方教程的中文翻译之外，该网站还包括进阶指南、API 中文手册、精华文章和 TF 社区等诸多板块。

Tensorflow 全网最全学习资料汇总之框架平台的综合对比【3】

作为机器学习领域、尤其是 Python 生态圈最受欢迎的框架平台，TensorFlow 具有许多吸引开发者的优点。其中最显而易见的是谷歌的技术支持和完善的社区（庞大用户群）。这些都为 TensorFlow 的普及打下了基础。但是，开发者需要了解 Tensorflow 在技术上有哪些值得一提的优势，又有哪些不足，以便在处理特定任务时进行工具选择。而这些，必须要在与其他平台、框架的对比中才能凸显。顺便说一句老生常谈的话，没有万能的工具，只有在不同应用场景下最合适的选择。因此，雷锋网整理了介绍 Tensorflow、Caffe、Microsoft Cognitive Toolkit （CNTK）、MXnet、Torch 等平台框架，以及对它们做横向对比的文章，供读者按图索骥。

综合介绍

这部分的文章，对 TensorFlow 和其它主流深度学习框架、平台做了概括性介绍，归纳它们的主要特点。有经验的开发者可跳过。

谷歌、微软、OpenAI 等巨头的七大机器学习开源项目看这篇就够了

对 Tensorflow、DeepMind Lab、Universe、FastText、CNTK、MXNet、SystemML 这七个开源机器学习平台、框架做了介绍。它们都是谷歌、微软、亚马逊、IBM 等国际互联网巨头开发或维护的平台，在一定程度上反应了巨头们的 ML 布局以及研究倾向。

注意：该文章发布时 Facebook 尚未推出 Pytorch。现在看来，Pytorch 是脸书在 ML 领域的关键项目。

地址：http://www.leiphone.com/news/201612/rFVygnQf4WjogJQR.html

深度学习——你需要了解的八大开源框架

对 TensorFlow、Torch、Caffe、Theano、Deeplearning4j 等主流开源框架作了简要介绍，总结了它们的核心优势及特点。

地址：http://www.leiphone.com/news/201608/5kCJ4Vim3wMjpBPU.html （来源雷锋网）

对比深度学习十大框架：TensorFlow 最流行但并不是最好

这篇文章翻译自 Medium，同样是对开源框架的综合性介绍。它出自 BEEVA Labs 的数据分析师 Ricardo Guerrero Gomez-Ol 之手，对 TensorFlow、Theano、Keras、Lasagne 等框架和工具做了简要介绍。

地址：http://geek.csdn.net/news/detail/132553

横向对比

这几天 AI 圈都在关注的深度学习库评测

整理自香港浸会大学褚晓文教授研究团队的论文。褚教授在论文中对 Caffe、CNTK、MXNet、TensorFlow、Torch 几大工具在 CPU、GPU 平台上的性能表现做了深度评测。该论文一经发表便受到广泛关注，堪称是迄今为止，对上述几个主流深度学习框架最深入、客观的计算性能对比。其研究结果，简明扼要得归纳了这几大平台分别最适合处理何种神经网络任务。雷锋网(公众号：雷锋网)强力推荐。

地址：http://www.leiphone.com/news/201701/OlEiX6kZLKHVUyW2.html （来源雷锋网）

机器学习和深度学习的最佳框架大比拼

这篇文章翻译自 Infoworld，对 TensorFlow、Caffe、CNTK、MXNet、Scikit-learning、Spark MLlib 等几大框架的优缺点进行了点评，以及实践总结。本文针对不同背景、习惯的开发者，提供了平台选择上的建议。

地址：https://news.cnblogs.com/n/562250/

TensorFlow 等主流深度学习框架比较分析

这篇文章罗列了 TensorFlow、Theano、MXnet 三者的主要属性和技术规格，做了简明扼要的对比。

地址：http://www.tuicool.com/articles/BVFb6bb

Caffe、TensorFlow、MXnet 三个开源库对比

这是国内一名为陈汝丹的开发者的实操心得，对三个框架发表了自己的看法。文章对技术的讨论较为细致，适合做实践参考。

地址：http://chenrudan.github.io/blog/2015/11/18/comparethreeopenlib.html#0-tsina-1-2654-397232819ff9a47a7b7e80a40613cfe1

与其它框架的对比

如何评价百度刚刚开源的 Paddle 平台？