TensorFlow评述：最佳深度学习库，且仍在不断演进

今天的评测，将集中讨论截至2018年1月的TensorFlow发展现状，同时展示去年其新增的各项重要功能。

如果大家去年关注过TensorFlow深度学习框架，就会发现其上手难度很高且成熟度有限。但如今，这套由谷歌打造的方案已经彻底改头换面。

自从2016年10月评测TensorFlow r0.10版本以来，谷歌的这套开源深度学习框架已经变得更为成熟，实现了更多算法与部署选项，且编程难度也大大降低。TensorFlow如今已经迎来r1.4.1版本（稳定版本与Web说明文档）、r1.5版本（候选发行版）以及预发布r1.6版本（主分支与每日构建版本）。

TensorFlow项目可谓极具活力。粗略计算来看，GitHub上的TensorFlow库目前拥有2.7万项提交，8.5万颗星评以及4.2万个fork。这些数字令人印象深刻，且直观反映出人们对于TensorFlow项目的高度关注——甚至超越了Node.js库的人气。

相比之下，由Amazon公司支持的另一套竞争性框架MXNet则活跃度相对较低：提交量不足7000条，星廉政约为1.3万颗，fork则不足5000。2017年2月TensorFlow r1.0版本发布时的另一项统计数据显示，TensorFlow目前在超过6000个在线开源代码库当中得到使用。

在今天的评测当中，我将集中讨论截至2018年1月的TensorFlow发展现状，同时展示去年其新增的各项重要功能。

TensorFlow能够实现手写数字分类、图像识别、单词嵌入、递归神经网络、序列到序列机器翻译模型、自然语言处理以及基于PDE（即偏微分方程）模拟。

另外，其还支持CPU与英伟达GPU。sequence-to-sequence项目可运行在Ubuntu Linux、MacOS、Android、iOS以及Windows（运行效果远超以往）之上。其亦可支持配合训练当中所使用的模型实现规模化生产性预测，且灵活性更高。再有，其仍然保留了自动微分功能、在TensorBoard中提供一款模型可视化工具，并为Python语言提供最佳支持效果（抱歉了，R与Scala程序员们）。

自r0.10版本以来，TensorFlow陆续发布了众多改进、增强以及额外功能，同时亦修复了各种bug。下面我将选择其中一些重点问题作出说明——举例来说，各版本升级了对CUDA及cuDNN库的支持，并采用最新英伟达GPU优化代码以提升性能。

另外，其还实现了DHFS（Hadoop文件系统）支持能力，Windows实现效果提升，并迎来新的求解器与更好的Go支持性。经过几个月的期待，TensorFlow图形性能改进方案XLA（一款专用编译器）与一款TensorFlow调试器得以发布。与此同时，TensorFlow项目还获得了与PyPl以及pip等标准Python基础架构的更佳对接能力，亦能够契合在科学计算领域得到广泛使用的NumPy工具包。

我们还看到RNN（常用于自然语言处理类递归神经网络）支持能力以及新的英特尔MKL（数学内核库）集成能力，这显著提升了CPU在深度学习领域的性能表现。在编程易用性方面，内置估算器（预定义模型层）被添加至为当中，其中包括多款回归器与分类器。

TensorFlow中新增的多套库可用于统计分布、信号处理基元以及图像的可微分重新采样。作为TensorFlow的一套特定实现方案，Keras（提供专门的高级神经网络API，亦可运行在MXNet、Deeplearning4j、微软Cognitive Tooltit以及Teano之上）被开发出来。

社区开发进程显示，其目前已经能够提供出色的实效——多个相关贡献模块已被纳入内核库，另有一套服务器库可实现生产部署优化。

TensorFlow项目迎来一套训练数据集库，且可实现向下兼容；这一切对用于开发标准训练数据集的新模型而言非常重要。此外，Java支持能力已经实现并得到多次强化。

最后，在TensorFlow r 1.5当中，急切执行（一个实验性接口，可令TensorFlow实现对NumPy等命令式编程风格的支持）与TensorFlow Lite（面向移动与嵌入式设备实现预测能力）的预览版本正式到来。

总的来说，TensorFlow的安装方式已经得到了明显改善。与以往一样，TensorFlow仍然提供多种安装方法，包括使用Python虚拟环境、“原生”pip、Docker以从来源处构建。

TensorFlow团队建议使用虚拟环境进行安装; 我个人则选择使用“原生”pip，因为我之前将其安装在自己的MacBook Pro上，我可不希望在磁盘空间不足以处理麻烦的卸载工作。

IDG

为Mac安装一套TensorFlow每晚构建版本，这是一种相对较新的安装选项，且运行效果良好。在安装/升级之后，我以交互方式对其标准TensorFlow功能进行了测试。

除了各发行版本的二进制文件外，TensorFlow团队现在还为Linux、Mac以及Windows提供每晚构建主分支的二进制代码。使用以下命令即可轻松在Mac上进行每晚安装：

尽管目前的master分支文档声称，这三个平台的CPU与GPU库版本皆拥有每晚构建资源，但我无法使用Mac-pip找到并安装Mac平台的GPU版本。

根据我的经验，Mac GPU版本应该会尝试进行安装，但始终无法成功; 直到r 1.2版本时，Mac GPU版本被正式放弃。

我不太确定r1.6版本是否有计划恢复Mac GPU版本，或者说TensorFlow团队发布的每晚构建说明文档中存在错误。无论如何，在不改变当前安装条件的前提下，目前的GPU版本快速安装效果确实比以往更好。

尽管如此，MacBook Pro显然并不是利用TensorFlow进行深度学习模型训练的理想设备。您可以使用包含一个或者多个新型高端英伟达GPU的Linux设备达成更出色的效果。

此外，您也可以花个几千美元组装出自己的深度学习专用PC。如果您只是偶尔需要进行模型训练，则可在AWS、Azure、Google Compute Engine或者IBM Cloud上轻松利用配备GPU的实例运行TensorFlow。

一年之前，TensorFlow项目主要存在两个问题——难于学习，而且代码编写量太大。如今，这两个问题都已经得到了解决。

为了简化TensorFlow的学习门槛，TensorFlow团队制作出更多学习资料，同时改进了现有入门教程。

另外，亦有一些第三方推出自己的TensorFlow教程。此外，目前已经付梓出版的TensorFlow书籍亦所在多有，外加一系列大线TensorFlow课程。

大家甚至可以关注斯坦福大学的TensorFlow for Deep Learning Research（CS 20）课程，其在线提供全部演示文稿与讲义内容。

TensorFlow库中的几个新增部分还开始提供编码要求更低的模型创建与训练接口。其中包括tf.kera，其提供引擎中立Keras工具包的一套纯TensorFlow版本，外加负责提供多种高级模型处理功能的tf.estimator——可用于线性的回归器与分类器、深层神经网络（简称DNN）、线性与DNN结合，外加一个可用于建立自有估算器的基类。

此外，Dataset API允许用户立足简单且可复用的片段构建复杂的输入管道——意味着大家不再需要被迫选择其一。正如TensorFlow-Keras教程中所言，您可以轻松将tf.keras、tf.data.dataset以及tf.estimator配合使用。