tensorflow是软件吗？

一、tensorflow是软件吗？

tensorflow不是软件，TensorFlow 是由 Google Brain 团队为深度神经网络（DNN）开发的功能强大的开源软件库，于 2015 年 11 月首次发布，在 Apache 2.x 协议许可下可用。截至今天，短短的两年内，其 GitHub 库大约 845 个贡献者共提交超过 17000 次，这本身就是衡量 TensorFlow 流行度和性能的一个指标。

二、tensorflow人脸识别优点？

和TensorFlow对应的是Theano，Torch，而Caffe专精于图像处理。如果就是一个标准图像处理应用，Caffe会很方便，仍然有其存在的价值。而在一般的DL task上，Caffe本来就不如Theano之流，也无所谓取代。

三、opencv与tensorflow区别？

OpenCV是计算机视觉库，Tensorflow是深度学习框架。

包含了大量的图像处理和计算机视觉的算法，但是在机器学习方面明显不足，ML模块只有SVM，MLP，kNN等有限的几种算法。dnn模块也是调用别的框架。

Tensorflow是专为深度学习而生，可以方便的实现各种深度学习算法。

二者不属于同一领域，做视觉用OpenCV，做深度学习用Tensorflow。或者二者结合做图像识别等等。

四、tensorflow下不了咋办？

TensorFlow在Windows中的安装

首先安装最新版的 Anaconda（>= Python 3.6）

Windows+R，输入 CMD 打开命令窗，安装 CPU 版本

pip install --upgrade tensorflow

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

五、pycharm下载不了tensorflow？

可以在设置中进行下载，网络可能有延迟

六、anaconda和tensorflow关系？

我们需要Anaconda帮我们把房间打好隔断，然后我们再在书房装上TensorFlow来进行我们的任务。

七、pycharm安装tensorflow太慢？

安装tensorflow的速度取决于电脑内存和网速大小。

八、sklearn和tensorflow区别？

sklearn定位是通用机器学习库；tensorflow定位是深度学习库。

sklearn提供强大的特征工程处理函数，如降维、特征选择等；tensorflow没有。

sklearn更倾向于使用者可以自行对数据进行处理；tensorflow则是通过深度学习机制学习数据表征。

sklearn主要适合中小型、实用机器学习项目，对硬件要求相对较低，尤其是那种数量级不大且需要使用者手动对数据进行处理，并选择合适模型的项目；

tensorflow主要适合已经明确了解需要深度学习，且数据处理要求不高的项目，那种数据量较大且最终需要的京都要求更高的项目比较适用（一般需要GPU加速应用）。

九、anaconda安装tensorflow时间？

用conda安装比pip安装要方便，依赖库都是兼容的，直接通过网址下载较慢，可以先下载tensorflow.whl，然后本地安装即可，这种方式是最快的，大概一分钟时间。

十、tensorflow读取各层输出？

tf1.0中通过带weight的pb文件与get_tensor_by_name函数可以获取每一层的输出

import os

import os.path as ops

import argparse

import time

import math

import tensorflow as tf

import glob

import numpy as np

import matplotlib.pyplot as plt

import cv2

os.environ["CUDA_VISIBLE_DEVICES"] = "-1"

gragh_path = './model.pb'

image_path = './lvds1901.JPG'

inputtensorname = 'input_tensor:0'

tensorname = 'loss/inference/encode/resize_images/ResizeBilinear'

filepath='./net_output.txt'

HEIGHT=256

WIDTH=256

VGG_MEAN = [103.939, 116.779, 123.68]

with tf.Graph().as_default():

graph_def = tf.GraphDef()

with tf.gfile.GFile(gragh_path, 'rb') as fid:

serialized_graph = fid.read()

graph_def.ParseFromString(serialized_graph)

tf.import_graph_def(graph_def, name='')

image = cv2.imread(image_path)

image = cv2.resize(image, (WIDTH, HEIGHT), interpolation=cv2.INTER_CUBIC)

image_np = np.array(image)

image_np = image_np - VGG_MEAN

image_np_expanded = np.expand_dims(image_np, axis=0)

with tf.Session() as sess:

ops = tf.get_default_graph().get_operations()

tensor_name = tensorname + ':0'

tensor_dict = tf.get_default_graph().get_tensor_by_name(tensor_name)

image_tensor = tf.get_default_graph().get_tensor_by_name(inputtensorname)

output = sess.run(tensor_dict, feed_dict={image_tensor: image_np_expanded})

ftxt = open(filepath,'w')

transform = output.transpose(0, 3, 1, 2)

transform = transform.flatten()

weight_count = 0

for i in transform:

if weight_count % 10 == 0 and weight_count != 0:

ftxt.write('\n')

ftxt.write(str(i) + ',')

weight_count += 1

ftxt.close()