基于google的tensorflow源代码编译成可在googleai中部署的深度学习模型

　　基于google的tensorflow源代码编译成可在googleai中部署的深度学习模型

　　python抓取动态网页数据beautifulsoup库介绍tensorflow一种图形计算框架，第一个在googleai中部署的深度学习模型。由于google建立这个框架的最初目的是为了解决他们在自动驾驶和自动医疗领域的*敏*感*词*数据处理问题，因此很快就在google无人车和人工智能领域得到了广泛的应用。

　　tensorflow从2015年11月开始发布，同年12月第一次开源，1月份caffe基于google的tensorflow源代码编译成可在linux上运行的版本。自2016年5月开始发布，自2017年5月开始在tensorflow/tensorflow框架中集成python，随后发布的几版中，已经支持了python（3.3，3.5）和c++（3.3），同时依靠c++能够实现更多底层的模块，代码耦合度较低，编译速度快等优点。

　　需要说明的是，我们只看三篇论文，分别是《learninghowalightweighttensorflowmethodworks》，《aguidetotensorflow》，《largescaleinferenceoftensorflow》，我们分别了解了tensorflow的框架结构、中间数据存储管理、以及数据读取和内存利用等一些tensorflow的基本概念。

　　这里需要讲一下，abundance-tensorflow和list_numpy并不是说它们的模块之间没有交互，而是说他们属于两个不同类别的工具。abundance-tensorflow简单来说就是为tensorflow提供数据读取的标准库，一般情况下他们仅有一个tf.load.data()函数，他们的中间件实现通常为__init__，__exclude__（即将data传入exclude_import的包的userdefinedvariables）等等。

　　而list_numpy一般使用.no_index或者.numeric_index来设置numeric数据属性。数据读取和存储中间件我这里使用tensorflow/tensorflow中分别说明。数据读取中间件__init__：必须声明__init__类或者直接指定__init__类，__init__类中需要有以下特性：tf.initialize_iterator()：初始化数据读取器tf.save_dataset()：读取需要的data类tf.placeholder()：使用tf.name_scope中的定义的tf.name_scope()相关变量来初始化数据读取器tf.initialize_session()：初始化session_url和requesthttp请求http请求http请求中文解释在__init__类中进行代码注释，name_scope指明了__init__类的扩展成员，requesthttp请求，如下所示：definitialize_iterator(values,name):ifnotself.name_scope:raisetf.isnull(),'doesnotinitializeanames',tf.isnull()else:raisetf.isnull(),'doesnotinitializearequest。