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
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)
作者：小a玖拾柒
-------------------------------------------
个性签名: 所有的事情到最後都是好的，如果不好，那說明事情還沒有到最後～
本文版权归作者【小a玖拾柒】 ，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利！
