TensorFlow 是一个端到端开源机器学习平台。它拥有一个全面而灵活的生态系统,其中包含各种工具、库和社区资源,可助力研究人员推动先进机器学习技术的发展,并使开发者能够轻松地构建和部署由机器学习提供支持的应用。
轻松地构建模型
在即刻执行环境中使用 Keras 等直观的高阶 API 轻松地构建和训练机器学习模型,此环境使我们能够快速迭代模型并轻松地调试模型。
随时随地进行可靠的机器学习生产
无论您使用哪种语言,都可以在云端、本地、浏览器中或设备上轻松地训练和部署模型。
强大的研究实验
一个简单而灵活的架构,可以更快地将新想法从概念转化为代码,然后创建出先进的模型,并最终对外发布。
Tensorflow 架构
![](https://qcloudimg.tencent-cloud.cn/image/document/fda214142883ba28dc4e8e23b3c49a31.png)
![](https://qcloudimg.tencent-cloud.cn/image/document/fda214142883ba28dc4e8e23b3c49a31.png)
客户端(Client)
将计算过程定义为数据流图。使用
_Session_
初始化数据流图的执行。分布式主控端(Master)
修剪图中的某些特殊子图,即
Session.run()
中所定义的参数。将子图划分为在不同进程和设备中运行的多个部分。将图分发给不同的工作进程。由工作进程初始化子图的计算。工作进程(Worker service)(每个任务的)
使用内核实现调度图操作并在合适的硬件(CPU、GPU 等)执行。向其他工作进程发送或从其接收操作的结果。
内核实现
执行一个独立的图操作计算。
EMR 支持 Tensorflow
Tensorflow 版本:v1.14.0
目前 Tensorflow 只支持运行在 CPU 机型,暂不支持 GPU 机型
支持 tensorflow on spark 做分布式训练
Tensorflow 开发示例
本文以 Tensorflow v1.4.4 版本为示例,首先需要安装 Tensorflow,切换到 root 用户下,密码为创建 EMR 集群时设置的密码,先安装 python-pip 工具再安装依赖包:
[hadoop@172 hbase]$ suPassword: ********[root@172 hbase]# yum install python-pip[root@172 hbase]# pip install Tensorflow
编写代码:
test.py
import tensorflow as tfhello = tf.constant('Hello, TensorFlow!')sess = tf.Session()print sess.run(hello)a = tf.constant(10)b = tf.constant(111)print sess.run(a+b)exit()
执行如下命令:
python test.py