设备云||TensorFlow深度学习框架及应用

设备预测维护与工业大数据应用在设备接入(IOT HUB)和实现数据可视化之后，就要用到云计算的数据分析、机器学习和深度学习功能。目前机器学习与深度学习框架包括 TensorFlow、Caffe、Keras、CNTK、Torch7、MXNet、Leaf、Theano、DeepLearning4、Lasagne、Neon 等。

TensorFlow 目前在关注度和用户数上已经占据了绝对优势，在GitHub上的数据统计可以看到 TensorFlow 在 star 数量、fork 数量、contributor 数量这三个数据上都完胜其他对手。

著名的阿尔法狗和Google无人车等也是基于TensorFlow框架。目前研华WISE-Paas等多家工业物联网云平台已支持TensorFlow。

TensorFlow结构

TensorFlow™ 是一个开放源代码软件库，用于进行高性能数值计算。借助其灵活的架构，用户可以轻松地将计算工作部署到多种平台（CPU、GPU、TPU）和设备（桌面设备、服务器集群、移动设备、边缘设备等）。TensorFlow™最初是由 Google Brain 团队（隶属于 Google 的 AI 部门）中的研究人员和工程师开发的，可为机器学习和深度学习提供强力支持，并且其灵活的数值计算核心广泛应用于许多其他科学领域。

TensorFlow 采用数据流图（data flow graphs）方式，节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。张量从图中流过的直观图像是这个工具取名为“Tensorflow”的原因。一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行地执行运算。灵活的架构支持异构设备分布式计算，能够在各个平台上自动运行模型，从手机、单个CPU / GPU到成百上千GPU卡组成的分布式系统。

TensorFlow支持CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)，这都是目前在Image，Speech和NLP最流行的深度神经网络模型。同时支持多种分析方法，例如线性回归，逻辑回归等。

TensorFlow程序开发

TensorFlow可以安装在桌面设备、服务器集群、移动设备、边缘设备等多种平台，包括以下元素：

• 图（Graph）：用来表示计算任务，也就我们要做的一些操作。
• 会话（Session）：建立会话，此时会生成一张空图；在会话中添加节点和边，形成一张图，一个会话可以有多个图，通过执行这些图得到结果。
• Tensor：用来表示数据。
• 变量（Variable）：用来记录一些数据和状态。
• feed和fetch：可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据。

用形象的比喻：把会话看做车间，图看做车床，里面用Tensor做原料，变量做容器，feed和fetch做铲子，把数据加工成我们的结果。

TensorFlow简单示例

TensorFlow支持Python，C++和Go语言，这里以Python为例演示创建一个图并在Session中执行。

TensorFlow深度神经网络

神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

1、载入数据，并对数据进行预处理

数据的预处理包括数据清洗和编码，并把数据划分训练集和验证集等，是最大的一块工作，一般机器学习程序中60%以上的代码用于数据预处理。

2、建立神经网络，设置损失函数，设置梯度下降的优化参数

3、初始化变量，设置好准确度的计算方法，在Session中运行

4、最后我们得到运行完50轮后的结果：

以上只为演示做简单处理，更高准确率的深度学习需要通过更多次迭代和更多的代码实现。

相关参考

1. 机器学习||CNC健康诊断云平台智能分析系统
2. 机器学习||智能制造中的人工智能算法
3. 设备健康监诊系统动态演示手册
4. 研华智能工厂模块化仿真演示系统
5. 应用||智能机床104通道同步振动模态测试系统
6. 研华测试与测量解决方案2018Q3