进阶 tensorflow.org 2026-10-22 02:47:47 · 26 阅读

第11章 TensorFlow Core API 概览

TensorFlow

学习

TensorFlow Core

指南

TensorFlow Core API 概览

使用收藏夹进行整理 根据喜好保存并分类内容。

TensorFlow Core API 提供了一组全面、可组合且可扩展的低级 API,用于高性能(分布式及加速)计算。其目标主要在于构建机器学习(ML)模型,以及开发 TensorFlow 平台内的 ML 工作流工具和框架。这些 API 为从头创建高度可配置的模型提供了基础,并支持细粒度的控制,同时也便于从零构建新的框架。

你可以将 Core API 作为 Keras 等高级机器学习 API 的替代方案。这些高级 API 最适合满足通用的机器学习需求。它们提供了一系列模块,在抽象掉 ML 复杂性的同时,还通过子类化提供了自定义功能。如果你想了解如何使用 Keras 进行 TensorFlow 入门,请查看教程中的快速入门和 Keras 部分。

谁应该使用 Core API

TensorFlow Core 的低级 API 专为以下类型的 ML 开发者设计:

* 构建具有高度可配置性复杂模型的研究人员 * 希望将 TensorFlow 用作高性能科学计算平台的开发者 * 在 TensorFlow 平台之上构建工具的框架作者 * 希望以下述方式的高级 API 用户: * 为机器学习工作流添加额外功能,例如自定义层、损失函数、模型和优化器 * 深入了解模型的内部运行机制

Core API 的应用

TensorFlow Core API 允许访问 TensorFlow 生态系统内的底层功能。与 Keras 等高级 API 相比,该 API 在构建 ML 模型、应用和工具时提供了更高的灵活性和控制力。

构建模型和工作流

Core API 最常用于构建高度可定制且经过优化的机器学习模型和工作流。以下是 TensorFlow Core API 改进机器学习模型和工作流开发的一些方式:

* 构建非传统模型或层,即那些不完全符合高级 API 支持结构的模型或层 * 在 Keras 中构建自定义层、损失函数、模型和优化器 * 实施新的优化技术,以加速训练过程中的收敛 * 创建用于性能评估的自定义指标 * 设计高度可配置的训练循环,支持批处理、交叉验证和分发策略等功能

构建框架和工具

TensorFlow Core API 还可以作为新高级框架的构建模块。以下是一些使用低级 API 创建的工具和框架示例:

* Keras:面向人类的深度学习 * TensorFlow 模型优化工具包(TensorFlow Model Optimization Toolkit):一套用于优化 ML 模型以用于部署和执行的工具集 * TensorFlow Graphics:一个使实用图形功能更易获取的库

用于科学计算

TensorFlow Core API 也可应用于机器学习领域之外。以下是 TensorFlow 在科学计算方面的一些通用用例:

* 用于固体力学和流体动力学问题的物理模拟 * 如光线追踪(ray tracing)等图形渲染应用 * 求解约束优化问题

Core API 组件

以下是构成 TensorFlow Core 低级 API 的一些基本组件。请注意,这并非详尽无遗的列表:

* 数据结构:tf.Tensor, tf.Variable, tf.TensorArray * 原语 API:tf.shape, 切片(slicing), tf.concat, tf.bitwise * 数值运算:tf.math, tf.linalg, tf.random * 函数式组件:tf.function, tf.GradientTape * 分布式计算:DTensor * 导出:tf.saved_model

下一步

“使用 Core 构建”文档提供了从零开始的机器学习基础概念教程。本部分的教程有助于你熟悉使用 Core API 编写低级代码,进而将其应用于更复杂的自定义用例。

若要开始使用 Core API 并了解更多详情,请参阅 TensorFlow Core 快速入门。

评论 (0)