TensorLayer原理與安裝是怎樣的

TensorLayer原理與安裝是怎樣的，相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現的原因和解決方法，通過這篇文章希望你能解決這個問題。

Tensorlayer簡介

深度學習框架使用的問題

對于深度學習開發者來說，深度學習系統變得越來越復雜。以至于我們需要使用輕量級的工具從頭到尾來管理流程，為了將更多的連續學習內置到神經網絡中，這就要求我們建立可以迭代增強的更有彈性的數據集以及更多的動態模型。
深度學習開發人員必須花費大量的時間來整合神經網絡的組件，管理模型生命周期，組織數據和調整系統并行度等等。隨著使用新的培訓樣本后，人類對于神經網絡模型的見解，更新模型和跟蹤其變化的能力就變得非常必要了。為此倫敦帝國理工學院的一個團隊開發了一個python庫來管理跨學科開發人員項目的復雜迭代過程。

TensorLayer誕生

為了更好地管理開發過程，該團隊開發了一個通用的Python庫——TensorLayer。這個庫集成了很多開發過程中包括的方法，其中包括（操作、模型生命周期、并行計算、失敗）都以模塊化進行抽象。這些模塊包括以下功能：

• 用于管理神經網絡層

• 用于管理模型和其生命周期

• 用于管理數據集

• 解決容錯的工作流模塊。

Keras與TFLearn的弊端

雖然像Keras和TFLearn這樣的工具現在很有用，但它們并不像網絡那樣可以隨網絡的擴張變得更復雜甚至無限制的迭代。它們提供了必要的抽象，以降低使用工具的門檻，但又掩蓋了很多底層的算法。雖然對開發者有好處，但是相對來說底層技術就變得難以調整和修改，而底層技術的修改和調整，這在解決許多現實世界的問題上是非常必要的。

TensorLayer的特點

與Keras和TFLearn相比，TensorLayer不僅提供了高級抽象，而且提供了包括數據預處理、訓練、訓練后處理，以及服務模塊和數據庫管理在內的端到端工作流程，這些是開發者建立一個完整模型所需要的全部過程。
TensorLayer倡導更靈活且可組合的范式：神經網絡庫可以與本機引擎交換使用。這允許開發者輕松地利用預建模塊，而且不會影響可見性。這種非侵入性也使得與其他TF的包裝器如TF-Slim和Keras合并成為了可能。并且開發小組認為，靈活性不會影響性能。

Tensorlayer環境搭建(CPU版)

• conda 4.4.10

• python 3.5

• opencv 3.2.0

• tensorflow 1.7.0

• tensorlayer 源碼安裝

安裝步驟

查看conda環境

conda env list
#或者
conda info -e

新建conda虛擬環境(tensorlayer)

conda create -n tensorlayer python=3.5  ipykernel

進入搭建的tensorlayer環境

source activate tensorlayer

安裝tensoflow1.7.0

采用清華的鏡像源進行安裝（CPU版）
網址：https://mirrors.tuna.tsinghua.edu.cn/help/tensorflow/

pip install \
  -i https://pypi.tuna.tsinghua.edu.cn/simple/ \
  https://mirrors.tuna.tsinghua.edu.cn/tensorflow/linux/cpu/tensorflow-1.7.0-cp35-cp35m-linux_x86_64.whl

安裝opencv3

conda install -c https://conda.anaconda.org/menpo opencv3

下載并安裝tensorlayer

git clone https://github.com/tensorlayer/tensorlayer.git
cd tensorlayer
pip install -e .

Jupyter notebook加載虛擬環境

#一定要在虛擬環境中！！
source activate tensorlayer
python -m ipykernel install --user --name tensorlayer --display-name "Python (tensorlayer)"

測試

python
>>> import tensorflow
>>> import tensorlayer

看完上述內容，你們掌握TensorLayer原理與安裝是怎樣的的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！