tensorflow版本？tensorflow和cuda对应关系

大家好，关于tensorflow版本很多朋友都还不太明白，今天小编就来为大家分享关于tensorflow和cuda对应关系的知识，希望对各位有所帮助！

如何看待Tensorflow Hub

TensorFLow我第一次听说，一种开发模拟人类大脑神经元活动的所谓的深度学习人工智能工具。首先它很好，给程序员有了施展拳脚的武器，谷歌公司有远见，源码公开，让大家入流，占领市场主动。神经网络模拟算法几十年前我就买了焦老师的书啊！现在的这个算法也在前些年的有关科学期刊或书籍中有关论文看到过，现在能让程序员开发，的确很好！但该算法针对大脑智能来说还是很简单的，大脑可能是一个NxNxN…维度的构造啊！如果有一些可以自由扩充的空间，就比较好！只可惜我没有一个好的开发条件，否则的话，会有许多创新的东东算法，从人脑生物学结构、从集合图论等离散数学、从数据结构等各种常规计算机算法、从语言文字研究、中文信息等等，会开发出一种优秀的作品的。等量子计算机成熟时，等TensorFLow版本升级后，就会大放光彩呀！其次，我期待阿里巴巴等大家尽快拿出中国版的深度学习开发工具，从而站在人工智能领域的前沿啊！

在ios平台上使用tensorflow需要哪些配置

什么是TensorFlow？

TensorFlow是一个用于构建计算图（computationalgraph）以便进行机器学习的软件库。

许多其它的工具工作在更高的抽象层次上。以Caffe为例，你可以通过连接不同类型的「层（layer）」来设计神经网络。这和iOS中BNNS以及MPSCNN的功能类似。在TenseFlow中，你也可以使用这样的层来工作，不过你还可以做得更深入，一直到构成你算法的单个计算。

你可以将TensorFlow视为一个实现新机器学习算法的工具包，而其它的深度学习工具则是为了使用其他人实现的那些算法。

这并不意味着你总是要从头开始构建一切。TensorFlow附带有可复用的构建块的集合，而且还有其他库（如Keras）也在TensorFlow上提供了方便的模块。

所以精通数学不是使用TensorFlow的一个要求，但如果你想成为顶尖专家，还是应该掌握。

其实在TensorFlow领域有一个非常棒的库推荐给你：

下面我们简单的介绍下这个库的使用集成方法：

在iOS上构建TensorFlowLite

本文档描述了如何构建TensorFlowLiteiOS库。如果仅需使用，可以直接使用TensorFlowLiteCocoaPod版本。参阅TensorFlowLiteiOSDemo获取示例。

TensorFlowLite的通用iOS库需要在MacOS机器上，通过Xcode的命令行工具来构建。如果你还没有配置好环境，可以通过来安装Xcode8(或更高版本)和工具:

如果这是第一次安装，你需要先运行一次XCode并同意它的许可。

(你也需要安装好Homebrew)

下面安装automake/libtool:

如果你遇到了automake和libtool已经安装但未正确链接的错误，首先输入以下命令:

然后使用下面的命令来使链接生效:

接着你需用通过shell脚本来下载所需的依赖:

这会从网上获取库和数据的拷贝，并安装在目录

所有的依赖都已经创建完毕，你现在可以在iOS上为五个支持的体系架构构建库:

它使用中的makefile来构建不同版本的库，然后调用将它们捆绑到包含armv7,armv7s,arm64,i386,和x86_64架构的通用文件中。生成的库在:

如果你在运行时，遇到了如的错误:打开Xcode>Preferences>Locations，确保在"CommandLineTools"下拉菜单中有一个选中值。

你需要更新一些你的应用设置来链接TensorFlowLite。你可以在示例项目查看这些设置，但下面提供了一个完整的纲要:

你需要将库加入你的链接构建阶段，并且在SearchPaths的LibrarySearchPaths设置中添加

HeaderSearch路径需要包含:

设置为(或),同时设置为来启用C++11支持(或更高版本)

tensorflow下不了咋办

TensorFlow在Windows中的安装

首先安装最新版的Anaconda（>=Python3.6）

Windows+R，输入CMD打开命令窗，安装CPU版本

pipinstall--upgradetensorflow

GPU版本的安装过程则相对复杂，除了要考虑电脑是否支持GPU版本（主要是看显卡）外，还有cuda等的安装以及版本号对应的问题

TensorFlow与PyTorch之间有何不同

本文作者之前是TensorFlow的用户，最近开始使用PyTorch。经过一个月的使用之后，他将自己的体验写了出来。文章从安装、使用、文档、社区、工具五个方面对PyTorch和TensorFlow进行了对比。

我以前是TensorFlow的用户，但是加入英伟达之后，我们决定转向PyTorch（出于测试的目的）。以下是我的一些体验。

安装

PyTorch的安装轻松直接，可以通过PIP或数据源安装。PyTorch还提供Docker镜像，可用作项目的基图像。

PyTorch没有专门的CPU版本和GPU版本，这一点与TensorFlow不同。但是这使得安装更加便捷，因为同时支持CPU和GPU的使用，它可以生成更丰富的代码。

需要注意，PyTorch暂时无法提供官方的Windows分发。现在有非官方的Windows端口，但是并未得到PyTorch的支持。

使用

PyTorch提供Python式的API。这与TensorFlow不同，在TensorFlow中你需要先定义所有张量和图，再在会话中使用。

我认为，这将使代码变得更长，但是更简洁易懂。PyTorch图必须在从PyTorchnn.Module类中继承的类中进行定义。图运行时会调用一个forward()函数。用这种「约定优于配置」方法，图的位置通常是已知的，且变量不用在后面的代码中进行定义。

这种「新」方法需要一些时间来适应，但是我认为，如果你在深度学习之外的领域中使用过Python，那么你会发现这种方法非常直观。

根据一些评价，PyTorch还在大量模型中展示了优于TensorFlow的性能。

文档

文档在大多数情况下是完整的。我查找函数或模块的定义时，从未失败过。TensorFlow文档中所有的函数都在同一页，PyTorch不同，它每个模块使用一页。如果你习惯了用TensorFlow查找函数的话，这可能有点难。

社区

很明显，PyTorch社区没有TensorFlow社区大。但是，很多人喜欢在闲暇时间使用PyTorch，即使在工作时间仍使用TensorFlow。我认为如果PyTorch脱离Beta，这种情况可能会有所改变。

当前，精通PyTorch的人仍然很少。

这个社区足够大，官方论坛的问题会得到快速回答，这样大量很棒的神经网络的示例实现就会被翻译成PyTorch。

工具和助手

即使PyTorch提供大量的工具，但还缺少一些非常有用的工具。其中之一就是TensorFlow的TensorBoard。这使得可视化稍微有点困难。

PyTorch还缺少很多常用助手，比起TensorFlow，这要求PyTorch用户更多依靠自己写代码。

结论

PyTorch是TensorFlow的重要替代方案。由于PyTorch还在Beta中，所以我期待PyTorch的易用性、文档和性能都能够有更多改变和改进。

PyTorch是很Python式的，用起来很舒适。它的社区和文档都很优秀，据说它还比TensorFlow稍快一点。

但是，PyTorch社区与TensorFlow社区相比较小，且缺少很多有用的工具，如TensorBoard。

tensorflow默认使用所有的cpu吗

cpu版本的tensorflow只能使用cpu，gpu版本的tensorflowk可以自己选择

tf.device可以用来选择使用的cpu或者gpu

关于tensorflow版本，tensorflow和cuda对应关系的介绍到此结束，希望对大家有所帮助。