未探索的TensorFlow库都有哪些
这篇文章给大家介绍未探索的TensorFlow库都有哪些，内容非常详细，感兴趣的小伙伴们可以参考借鉴，希望对大家能有所帮助。
TensorFlow是一个端到端的开源机器学习平台，能够执行一系列任务。它为初学者和研究人员提供了一个易用性，可以用于不同的应用，如，但不限于，计算机视觉，自然语言处理和强化学习。
在计算机视觉领域，我们大多数人都熟悉TensorFlow的核心以及TensorFlow Lite和JS。它们用于在移动设备和边缘设备上运行模型，为后者在web上运行模型。然而，TensorFlow还提供了更多神秘的库，我们将在文中对此进行解释。
TensorFlow模型优化工具包
实时模型对于许多商业操作是必不可少的。MobileNet的推理速度使它成为了众人瞩目的焦点，即使这意味着要牺牲一点准确性。
优化TensorFlow模型首先想到的是将其转换为TensorFlow lite服务。但是，这在桌面上不太好用，因为它是为ARM neon优化的。这篇问题对此进行了解释（https://github.com/tensorflow/tensorflow/issues/35380），否则我们需要进一步优化模型。模型优化工具箱可以帮助我们完成这些任务。根据其主页，它可以用于：
减少云和边缘设备（如移动设备、物联网）的延迟和推理成本。
将模型部署到边缘设备，并限制处理、内存、功耗、网络使用和模型存储空间。
支持对现有硬件或新的专用加速器执行和优化。
它可以应用于已经训练过的模型，也可以在训练期间用于进一步优化解决方案。在编写本文时，它提供了三种技术，以及其他一些正在进行的改进模型的技术。
修剪
第一种方法是权重剪枝。它的工作原理是删除层之间的一些连接，从而减少所涉及的参数和操作的数量，从而优化模型。在训练过程中消除了不必要的张量。这有助于缩小模型的大小，通过训练后量化可以进一步减小模型的大小。
与只在训练期间进行的修剪不同，量化可以在训练和测试中进行。Tensorflow Lite模型也被量化为使用8位整数，而不是通常使用的32位浮点。这提高了性能和效率，因为整数运算比浮点运算快得多。
然而，这是有代价的。量化是一种有损技术。这意味着先前从-3e38到3e38表示的信息必须从-127表示到127。这回引入更多错误。为了解决这个问题，可以在训练期间应用量化。
量化训练
通过在训练中应用量化，我们迫使模型学习它将导致的差异并相应地采取行动。量化误差作为噪声引入，优化器试图将其最小化。用这种方法训练的模型具有与浮点模型相当的精度。很有意思的是，我们可以比较一下用这种方法创建的Tensorflow-Lite模型与普通模型。
训练后量化
虽然最好在训练期间应用量化，但有时这样做是不可行的，因为我们可能有预训练好的权重可供使用。
权重聚类
它将相似的权重组合起来，并用一个值替换它们。它可以想象成JPEG压缩。此外，由于相似的权重被插值到相同的数目，它也是有损的。
权重矩阵原本存储浮点值。这些值被转换成整数，整数代表簇号。我们再存储包含簇的查找表以便查询。这减少了所需的空间，因为整数需要更少的存储空间。
如下面的示例所示，16个float-32值被指定给4个float-32质心，层权重被转换为整数值。权重矩阵越大，节省的空间就越大。
TensorFlow Graphics
TensorFlow graphics旨在将计算机视觉和计算机图形学结合起来，解决复杂的三维任务。
计算机图形工作流需要三维对象及其在场景中的绝对位置、对它们由灯光构成的材质的描述以及生成合成渲染的摄影机。另一方面，计算机视觉工作流将从图像开始，并尝试推导其参数。
这可以看作是一个自编码器，视觉系统（编码器）将尝试查找参数，而图形系统（解码器）将基于这些参数生成图像，并与原始图像进行比较。此外，该系统不需要标记数据，也不需要以自我监督的方式训练。一些用途是：
变换-可以对对象执行旋转和平移等对象变换。这可以通过神经网络学习来精确地找到物体的位置。它对于需要精确估计这些物体位置的机械手臂很有用。
建模摄像机-可以设置不同的摄像机内部参数来改变图像的感知方式。例如，更改摄影机的焦距会更改对象的大小。
材料-可以使用具有不同类型光反射能力的不同类型的材料。因此，创建的场景可以精确地模拟对象在真实世界中的行为。
三维卷积和池（点云和网格）-它有三维卷积和池层，允许我们对三维数据进行语义分类和分割。
TensorBoard 3D-3D数据变得越来越普遍，可以用来解决从2D数据进行三维重建、点云分割、3D对象变形等问题。通过TensorBoard 3D，这些结果可以可视化，从而更好地了解模型。
进一步阅读：https://blog.tensorflow.org/2019/05/introducing-tensorflow-graphics_9.html
TensorFlow Federated
这个库也可以用于计算机视觉以外的其他领域。随着移动设备和边缘设备数量的增加，产生了大量的数据。
联邦学习的目标是在分散数据上执行机器学习，即在设备本身上！这意味着不需要向服务器上传大量（敏感）数据。它已经在谷歌键盘上使用。
TensorFlow Privacy
通过隐私攻击可以从经过训练的ML模型中提取敏感信息。
左侧是仅使用人名和模型重建的图像。右边的图像是原始图像。
同样，像TensorFlow Federated一样，这并不是计算机视觉所独有的。最常用的技术是差分隐私。
差分隐私一种公开共享数据集信息的系统，通过描述数据集中组的模式，同时保留数据集中个人的信息。
假设敏感信息不会在数据集中完全重复，通过使用差分隐私模型，可以确保模型不会学习此类信息。
例如，假设有一个人与人之间聊天的数据集。现在，聊天中传递的敏感信息可以是密码、银行帐户详细信息等。因此，如果在这个数据集上创建了一个模型，则差分隐私将确保该模型无法学习这些细节，因为这些信息的数量很少。阅读这篇关于差分隐私的文章，它还包含了执行它的代码。
TensorFlow Hub
你们中的大多数人一定对这个库有所了解，所以我对它的介绍将非常简短。
TensorFlow Hub是一个在TensorFlow中发布、发现和重用部分机器学习模块的平台。把它称为TensorFlow模型的GitHub是正确的。
开发人员可以共享他们预训练过的模型，然后可以被其他人重用。通过重用，开发人员可以使用较小的数据集训练模型，提高泛化能力，或者只是加快训练速度。让我们快速了解一下现有的几种不同的计算机视觉模型。
图像分类--从MobileNet到Inception 再到EfficientNet，有一百多个可用于此任务的模型。说出你想要的任何型号，很可能会在那里找到它。
对象检测和分割-同样，你需要的任何模型都可以在这里找到，特别是在COCO数据集上训练的TensorFlow model-zoo对象检测器的集合中。Deeplab架构在图像分割领域占据主导地位。还有大量的TfLite和TensorFlow Js模型可用。
图像样式化-图像样式化的不同的主干，以及一个卡通感兴趣。
**生成对抗网络-**提供了像Big GAN和Compare GAN这样的GAN模型，在ImageNet和Celeb数据集上进行训练。还有一个无边界的GAN，可以用来生成摄像机捕捉到的场景之外的区域。此外，他们中的大多数有一个Colab Notebook，所以实现他们不会太难。
关于未探索的TensorFlow库都有哪些就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。
