AI学习---深度学习&TensorFlow安装

深度学习

•   深度学习学习目标：

     1、 TensorFlow框架的使用

     2、 数据读取(解决大数据下的IO操作) + 神经网络基础

     3、 卷积神经网络的学习 + 验证码识别的案例

  机器学习与深度学习的区别

机器学习与深度学习的区别

    1 特征提取方面

    2 数据量和计算性能要求
    3 算法代表

例如：

   机器学习： 数据输入 –》 人工进行特征工程(需要大量专业领域知识) –》 分类算法计算 –》 得出结论

   深度学习： 数据数据 –》 神经网络(通过将数据进行层层传递创建模型，自动完成特征提取)  -》 得出结论





• 机器学习与深度学习的区别(一) ---特征提取方面

  

• 机器学习与深度学习的区别(二) ---数据量和计算性能要求

     随着数据量的增加，机器学习的性能就会下降，相反，深度学习的性能会更好

机器学习与深度学习的区别(三) ---算法代表

     机器学习：K-近邻、朴素贝叶斯、决策树、算法森林

     深度学习：神经网络(图像，语音识别等)

深度学习的应用场景

   图像识别 + 自然语言处理 + 语音识别等

机器学习框架介绍

• 深度学习框架对比

TensorFlow： 基于C++开发，但是Python可以调用，谷歌开源，难，适用于生产部署

PyTorch:  基于Python开发，是Torch的升级版，原Torch是基于lua(音译：鲁拉)，FaceBook开发，中等，适用于学术研究

Caffe: 基于C++开发，适合处理静态图片

• TensorFlow的特点

   1. 高度灵活，不仅可以神经网络算法研究，也可以普通机器学习算法

   2. C++实现，保证性能，python可以封装启用

   3. 设备启用，支持各种硬件

   4. Tensorboard的可视化，Tensorboard是TensorFlow的一组Web应用，用于监控TF的运行过程

• TensotFlow的安装

  可以基于CPU和GPU进行不同版本的安装

1、 CPU版本

Win7的安装：

      pip3 intall tensorflow

其他环境：

2、GPU

• CPU和GPU的对比

      CPU综合能力强，核芯数量更少，每个核速度更快，性能更强，适用于处理连续性的任务

      GPU的专业技能强，核芯数量更多，每个核速度较慢，更适合并行任务，更适合图片的识别(深度学习更多的是矩阵运算，适用并行)