为什么会有它？

本系列推送主要参考： Stanford University CS20SI: Tensorflow for Deep Learning Research.

01

—

为什么会有TensorFlow ?

“While the mathematical concepts behind deep learning have been around for decades, programming libraries dedicated to creating and training these deep models have only been available in recent years.

尽管深度学习背后的数学概念已经出现几十年了，但是用于创建和训练这些深度模型的程序类库在最近几年才出现。

不幸的是，大多数类库都会在灵活性和实际生产价值上做出权衡。易用性的类库对于科研是无比珍贵的，因为这样科技工作者们才更方便地研究出新的模型框架，但是，如果考虑到实际生产的话，它们往往训练又太慢而没有实际的应用价值。另一方面，快、高效的类库，部署到分布式硬件上是可行的，但是它们只针对具体的那些神经网络，对新发明的网络又不适用。

这就留给决策者们一个困惑： 要想不重复实现相同的代码，我们还依然要用不太灵活的类库做科研吗？还是，科研和生产各用自己的一套不相同的库？

假如，我们选择前者，我们也许不能测试各种不同种类的神经网络，如果选择了后者，我们必须维护不同的两套代码，我们能有足够的精力做这个吗？

TensorFlow就是为了解决，新出现的神经网络架构如何真正能在生产环境下使用，这一使命而诞生的。

02

—

TensorFlow是什么？

TensorFlow是一个开源的软件库，用数据流动图来做数值计算。

03

—

为什么选择TensorFlow？

理由如下：

已经很受欢迎

更清晰的API

能实际的用于生产环境

TensorFlow的特色：

Python API

部署方便：一个或多个CPUs或GPUs，服务端，客户端，手机移动端

灵活性好：使用安卓，windows，iOS，Linux

可视化：TensorBoard可以看到数据流动图

Checkpoints：易于实验管理

自动微分

社区庞大

很多好的项目已经或正在使用TensorFlow

04

—

基于TensorFlow的项目

基于TensorFlow做的项目：

DeepMind’s WaveNet Text to speech

Google Brain’s Magenta project that uses machine learning to create compelling art and music

Neural Style Translation

Major Improvement to Google Translate

下图是 Neural style Translation:

生成式手写字（LSTM混合密度网络与TensorFlow结合）：

WaveNet Text to speech （对原始音频的生成模型）

TensorFlow的参考书：

TensorFlow for Machine Intelligence (TFFMI)

Hands-On Machine Learning with Scikit-Learn and TensorFlow. Chapter 9: Up and running with TensorFlow

Fundamentals of Deep Learning. Chapter 3: Implementing Neural Networks in TensorFlow (FODL)

算法channel会有系统地，认真地推送：机器学习（包含深度学习，强化学习等）的理论，算法，实践，源码实现。期待您的参与！