阿里云
为了无法计算的价值
打开APP
阿里云APP内打开
学习中心> 深度学习框架TensorFlow入门> 正文

深度学习框架TensorFlow入门

24课时 |
17029人已学 |
免费
课程介绍

TensorFlow 是一个采用数据流图(data flow graphs),用于数值计算的开源软件库。

节点(Nodes)在图中表示数学操作,图中的线(edges)则表示在节点间相互联系的多维数据数组,即张量(tensor)。它灵活的架构让你可以在多种平台上展开计算,例如台式计算机中的一个或多个CPU(或GPU),服务器,移动设备等等。

TensorFlow 最初由Google大脑小组(隶属于Google机器智能研究机构)的研究员和工程师们开发出来,用于机器学习和深度神经网络方面的研究,但这个系统的通用性使其也可广泛用于其他计算领域。

深度学习与机器学习区别

 

目录:

一、特征提取方面

二、数据量和计算性能要求

三、算法代表

 

一、特征提取方面

 

image.png

 

机器学习的特征工程步骤是要靠手动完成的,而且需要大量领域专业知识。

深度学习通常由多个层组成,它们通常将更简单的模型组合在一起,将数据从一层传递到另-层来构建更复杂的模型。通过训练大量数据自动得出模型,不需要人工特征提取环节。

深度学习算法试图从数据中学习高级功能,这是深度学习的一个非常独特的部分。因此,减少了为每个问题开发新特征提取器的任务。适合用在难提取特征的图像、语音、自然语言处理领域。

 

二、数据量和计算性能要求

机器学习需要的执行时间远少于深度学习,深度学习参数往很庞大,需要通过大量数据的多次优化来训练参数。

 

image.png

 

 

第一、深度学习需要大量的训练数据集。

第二、训练深度神经网络需要大量的算力。

可能要花费数天、甚至数周的时间,才能使用数百万张图像的数据集训练出一个深度网络。所以深度学习通常。

1.需要强大的GPU服务器来进行计算。

2.全面管理的分布式训练与预测服务--比如谷歌 TensorFlow 云机器学习平台。

 

三、算法代表

1.机器学习朴素贝叶斯、决策树等

2.深度学习:神经网络

我的学习进度
请登录后查看您的学习进度!
立即登录
本课程相关云产品