TensorFlow 生态系统概览

虽然 TensorFlow 核心库提供了数值计算和自动微分的基本工具，但其真正实力源于围绕它构建的丰富生态系统。了解可能用到的工具将有所帮助。TensorFlow 不仅是一个独立的库，更是一个平台，它拥有专门的组件，旨在简化机器学习 (machine learning)工作流的不同环节。

以下是 TensorFlow 生态系统的一些重要组成部分：

Keras：高级 API

您会大量使用 Keras。Keras 最初是一个独立的库，现在是 TensorFlow 的官方高级 API。其主要目标是使深度学习 (deep learning)模型的构建、训练和评估变得直观且快速。Keras 提供了预设层、标准架构、优化算法和损失函数 (loss function)，而非手动定义每个数学运算和梯度计算（尽管您可以使用低级 TensorFlow API 来完成）。这种抽象机制能让您用相对较少的代码行定义复杂的模型。第三章和第四章将着重介绍如何使用 tf.keras 来使用 Keras。

TensorBoard：可视化与监控

训练机器学习 (machine learning)模型有时会让人感觉像在一个黑箱中工作。TensorBoard 是 TensorFlow 的可视化工具包，旨在帮助您理解、调试和优化 TensorFlow 程序。在训练期间（第四章将介绍），您可以使用 TensorBoard 来：

• 随时间跟踪损失和准确率等指标。
• 可视化模型的计算图。
• 查看权重 (weight)、偏置 (bias)或其他张量变化时的直方图。
• 显示模型处理的图像、音频或文本数据。
• 分析性能以找出瓶颈。

它作为本地网络应用程序运行，读取训练期间生成的日志文件。

TensorFlow Hub (TF Hub)

为什么要重复造轮子？TensorFlow Hub (tf.hub) 是一个用于可复用机器学习 (machine learning)组件的库和存储库。它让您可以轻松下载和使用预训练 (pre-training)模型组件，例如从大型图像或文本数据集衍生的特征提取器。这对于迁移学习 (transfer learning)特别有用，即您将基于大型通用数据集训练的模型适配到您特定的、可能较小的数据集。在第六章讨论模型加载时，会简要介绍预训练组件的使用。

其他重要组件（简要概览）

虽然本课程侧重于核心库、Keras、tf.data 和 TensorBoard，但了解生态系统中在不同场景下使用的其他部分是有益的：

• TensorFlow Lite (TFLite)： 一个用于在移动设备、微控制器和其他边缘设备上部署 TensorFlow 模型的框架。它优化模型以实现低延迟、小二进制大小和高效能耗。
• TensorFlow Extended (TFX)： 一个用于部署生产级机器学习 (machine learning)流水线的端到端平台。它涵盖数据验证、特征工程、模型分析、训练、服务和管理。TFX 适用于生产级别部署。
• TensorFlow.js： 一个用于在 JavaScript 中开发和训练机器学习模型的库，支持直接在网络浏览器或 Node.js 环境中部署。

下图展示了其中一些组件与 TensorFlow 核心引擎的关系：

TensorFlow 生态系统的概览，着重介绍了核心引擎、常用 API 以及用于可视化和部署的相关工具。

了解这个生态系统有助于您更好地理解将要学习的工具。Keras 提供了本课程中模型开发的主要接口，tf.data（第五章）高效管理输入数据，TensorBoard（第四章）帮助监控训练，而 TensorFlow Hub 则提供了利用现有工作的方法（第六章）。随着学习深入，您将看到这些组件如何相互作用，共同构建一个用于开发和部署机器学习模型的强大环境。