目前最主流的深度框架有 TensorFlow、Pytorch 以及 Keras。其中：
-
TensorFlow 是被使用最廣泛的一個深度學習框架，已廣泛的運用在如，圖像識別、圖片分類等領域。
-
PyTorch 是一個開源的 Python 機器學習庫，基於 Torch 開發，底層由 C++實現，也被廣泛使用在人工智能領域；
-
Keras 則是 Python 編寫的高級神經網絡 API，它可以將 TensorFlow、CNTK，或是 Theano 作為后端程序來用，它的代碼簡單、易讀。
TensorFlow的核心概念
- 張量（Tensor ）：TensorFlow中的基本數據對象，作為圖中的節點（Operation，提供圖當中執行的操作）的輸入輸出，在節點之間流動（Flow），因此得名。可以被理解成一個多維數組，TensorFlow 的張量與 Numpy 的數組比較相似。其中的每個元素都具有相同的數據類型，且該數據類型一定是已知的（使用 tensor 的 dtpye 屬性查看 tensor 的數據類型）。張量是有形狀的（通過 tensor 的 shape 屬性查看 tensor 的形狀），關於 tensor 的形狀有兩個術語：秩、軸（維度）。
- 秩：張量維度的數目。
- 軸（維度）：軸（維度）就是我們計算機科學中數組的維度。例如，向量的維度就是 1，矩陣的維度就是 2。
張量的階
2. 計算圖：是一個有向圖，又可以叫作數據流圖(data flow graphs)，是TensorFlow將計算表示為指令之間的依賴關系的一種表示法。它是 TensorFlow 操作對象（tf.Operation）與張量對象（tf.Tensor）的集合。操作對象是圖中的節點，是圖中的計算單元，張量對象是圖的邊，是在節點之間流動的數據。TensorFlow 的 3 種計算圖，分別是：
-
- 靜態計算圖：優點是高效，在分布式訓練、性能優化和生產部署方面都有優勢。定義好之后可以反復執行。
- 動態計算圖：TensorFlow 2 中 Eager Execution 模型就是采用動態計算圖方式，大大地提高了代碼的簡潔性，且非常易於調試。
- Autograph：兼顧代碼的可讀性與運行的高性能，TensorFlow 2 中提出了 Autograph只要在 Python 的函數前加上@tf.function 標簽，就可以將 Python 的函數轉換為靜態計算圖。
3.會話：TensorFlow跨一個或者過個本地或遠程設備運行數據流圖的機制。
TensorFlow 2 中幾個比較常用的 API
- tf.compact
- tf.data
- tf.image
- tf.nn
- tf.keras
- tf.lite
- tf.math
高效的實驗分析助手-TensorBoard
可以通過 Web 頁面提供查看細節與過程的功能，它將模型的細節與過程，通過瀏覽器可視化的方式進行展現，幫助使用者感知各個參數與指標的變化，把握訓練趨勢。
參考：
1. TensorFlow 2.0的API詳解：https://tensorflow.google.cn/versions/r2.0/api_docs/python/tf
2. 可視化TensorFlow運行：
TensorFlow是一個采用數據流圖，用於數值計算的開源框架。節點在圖中表示數學操作，線則表示在節點互相聯系的多維數據數組，即張量。
3.Python安裝TensorFlow常見報錯：
W tensorflow/stream_executor/platform/default/dso_loader.cc:60] Could not load dynamic library 'libcudart.so.10.1'; dlerror: libcudart.so.10.1: cannot open shared object file: No such file or directory
I tensorflow/stream_executor/cuda/cudart_stub.cc:29] Ignore above cudart dlerror if you do not have a GPU set up on your machine.
- 問題分析與解決方式：GPU的版本與TensorFlow的版本不一致；GPU的版本與TensorFlow的對應關系參見：https://tensorflow.google.cn/install/source#gpu
I tensorflow/core/platform/cpu_feature_guard.cc:140] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
- 問題分析與解決方式：當前的CPU可以支持未編譯為二進制的指令AVX2 ；要想消除該提示，需要在代碼中添加兩行代碼：（用於設置TensorFlow的日志級別的）
import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'