![tensorflow][1]



Проект [TensorFlow][2] масштабнее, чем вам может показаться. Тот факт, что это библиотека для глубинного обучения, и его связь с Гуглом помогли проекту TensorFlow привлечь много внимания. Но если забыть про ажиотаж, некоторые его уникальные детали заслуживают более глубокого изучения:


* Основная библиотека подходит для широкого семейства техник машинного обучения, а не только для глубинного обучения.
* Линейная алгебра и другие внутренности хорошо видны снаружи.
* В дополнение к основной функциональности машинного обучения, TensorFlow также включает собственную систему логирования, собственный интерактивный визуализатор логов и даже мощную архитектуру по доставке данных.
* Модель исполнения TensorFlow отличается от scikit-learn языка Python и от большинства инструментов в R.

Все это круто, но TensorFlow может быть довольно сложным в понимании, особенно для того, кто только знакомится с машинным обучением.



Как работает TensorFlow? Давайте попробуем разобраться, посмотреть и понять, как работает каждая часть. Мы изучим [граф][3] движения данных, который определяет вычисления, через которые предстоит пройти вашим данным, поймем, как тренировать модели [градиентным спуском][4] с помощью TensorFlow, и как [TensorBoard][5] визуализирует работу с TensorFlow. Наши примеры не помогут решать настоящие проблемы машинного обучения промышленного уровня, но они помогут понять компоненты, которые лежат в основе всего, что создано на TensorFlow, в том числе того, что вы напишите в будущем!

[Читать дальше →][6]

[1]: https://habrastorage.org/files/ab1/31c/495/ab131c495c314f998eb37292a6f74847.jpg
[2]: https://www.tensorflow.org/
[3]: https://en.wikipedia.org/wiki/Graph_(abstract_data_type)
[4]: https://en.wikipedia.org/wiki/Gradient_descent
[5]: https://www.tensorflow.org/versions/r0.8/how_tos/summaries_and_tensorboard/
[6]: https://habrahabr.ru/post/305578/?utm_source=habrahabr&utm_medium=rss&utm_campaign=feed_posts#habracut