文章目录
TensorFlow1.0
1.1XLA:Accelerate linear algebra
TensorFlow 的设计目标和核心优势之一是其灵活性。TensorFlow 被设计成一个灵活和可扩展的系统，可用于定义任意数据流图（data flow graph）并使用异构计算设备（如 CPU 和 GPU）以分布式方式有效地执行它们。
但是灵活性通常与性能不能兼得。虽然 TensorFlow 旨在定义任何种类的数据流图，但是由于 TensorFlow 分别优化每个 运算/指令（op），所以使所有图都高效地执行是有挑战性的。当一个具有高效实现的运算存在，或者每个运算都是相对重量级的操作（heavyweight operation）时，一切都很好；否则，用户仍然可以从低级 op 中组合 op，但是这种组合不能保证以最有效的方式运行。
这就是我们开发了 XLA（Accelerated Linear Algebra/加速线性代数）的原因，它是一个用于 TensorFlow 的编译器。XLA 使用 JIT 编译技术来分析用户在运行时（runtime）创建的 TensorFlow 图，专门用于实际运行时的维度和类型，它将多个 op 融合在一起并为它们形成高效的本地机器代码——能用于 CPU、GPU 和自定义加速器（例如谷歌的 TPU）。
1.2 更高级别API
关于高级别的API，这里只是简单知道一下概念就ok，后续的博客将具体介绍。
- tf.layers
tf.layers中分为类和函数，我们这里主要讲函数，因为类和函数的用法大同小异。
Input(…): 用于实例化一个输入 Tensor，作为神经网络的输入。 average_pooling1d(…): 一维平均池化层
average_pooling2d(…): 二维平均池化层 average_pooling3d(…): 三维平均池化层
batch_normalization(…): 批量标准化层 conv1d(…): 一维卷积层 conv2d(…): 二维卷积层
conv2d_transpose(…): 二维反卷积层 conv3d(…): 三维卷积层 conv3d_transpose(…):
三维反卷积层 dense(…): 全连接层 dropout(…): Dropout层 flatten(…): Flatten层，即把一个
Tensor 展平 max_pooling1d(…): 一维最大池化层 max_pooling2d(…): 二维最大池化层
max_pooling3d(…): 三维最大池化层 separable_conv2d(…): 二维深度可分离卷积层
看上面这个函数，可以发现，这个模块主要覆盖的区域是全连接和卷积等等的基本操作。但是这些操作已经非常足够了。我们可以根据自己的需要，在可以使用这里的API的时候使用，来简化我们的代码。
- tf.metrics
Tensorflow内置的评估指标算子。 - tf.losses
用于计算各种损失函数
官方文档：https://tensorflow.google.cn/api_docs/python/tf/keras/losses - tf.keras
这是一个很方便上手的API，2.0版本对其进行进一步升级，后面会具体讲。
1.3支持docker镜像
通俗来说：部署服务更加简洁
Docker
Docker 使用容器创建虚拟环境，以便将 TensorFlow 安装结果与系统的其余部分隔离开来。TensorFlow 程序在此虚拟环境中运行，该环境能够与其主机共享资源（访问目录、使用 GPU、连接到互联网等）。我们会针对每个版本测试 TensorFlow Docker 映像。
Docker 是在 Linux 上启用 TensorFlow GPU 支持的最简单方法，因为只需在主机上安装 NVIDIA® GPU 驱动程序，而不必安装 NVIDIA® CUDA® 工具包。
TensorFlow Docker 要求
在本地主机上安装 Docker。
要在 Linux 上启用 GPU 支持，请安装 NVIDIA Docker 支持。
请通过 docker -v 检查 Docker 版本。对于 19.03 之前的版本，您需要使用 nvidia-docker2 和 --runtime=nvidia 标记；对于 19.03 及之后的版本，您将需要使用 nvidia-container-toolkit 软件包和 --gpus all 标记。这两个选项都记录在上面链接的网页上。
2、tensorflow1.0架构
高层封装
Keras
Estimator
datasets
layers
distrbution engine
