Bevezetés a Tensorflow-ba
A Tensorflow egy nyílt forráskódú szoftver és könyvtár. A Google Brain csapata fejlesztette ki, amelyet a mélyten tanuló mesterséges intelligencia kutatócsoport készített a google 2010-ben. A Google belső használatra használta, miután az Apache2.0 nyílt forráskódú kiadása - 2015-ben jelentette meg. Ebben a témában megtudhatja a Tensorflow alapjait.
A Tensorflow a Google agy második generációs rendszere. Az 1. verziót 2017. február 11-én adták ki. A Tensorflow 1.0-nak már Python API és API volt a java számára, és a GO nyelv is hozzá lett adva az 1.0 verzióhoz. Tensorflow műveletek idegi hálózatot hajtottunk végre többdimenziós adattáblán, amelyet tenzornak nevezünk. A Tenzorokkal működik. Szoftverkönyvtár a mély tanuláshoz, és elsősorban numerikus számításokhoz működik adatáramlási grafikonok segítségével.
Mi a Tensorflow alapjai?
A tenzorok olyan objektumok, amelyek leírják a vektorok, a skalárok és az egyéb tenzorok közötti lineáris kapcsolatot. A tenzorok nem több, mint többdimenziós tömbök.
A Tensorflow támogatást nyújt a kód írásához az Ön igényei szerint, és hozzáférést biztosít különféle eszközökhöz. C ++ kódot írhatunk, és a pythonból C ++ kódot hívhatunk. Vagy írhatunk python-kódot, és C ++ szerint hívhatjuk.
A kép felett látva a legalacsonyabb réteget, amelyet két nyelv támogat, az első a Python nyelv és a második C ++ nyelv. Bármilyen nyelven írhatja, a kényelmi övezetben. Különböző matematikai könyvtárakkal rendelkezik, amelyek elősegítik a matematikai funkciók könnyű létrehozását.
Ezenkívül támogatást nyújt a feldolgozáshoz, mint például a CPU, GPU, TPU, és androidos mobilokon is fut.
Tf.rétegek : - A tf.layers módszert az elvont módszerhez használják, így testreszabhatja a neurális hálózatok rétegeit.
Tf.estimator : - A tensorflowban leggyakrabban használt API a tf.estimator. Segít a modell létrehozásában és tesztelésében, tesztelésében.
A Tensorflow telepítése
- Először ellenőrizze a pip verzióját, ha nem a legújabb, majd futtassa a következő parancsot a pip frissítéséhez
pip install - frissítés pip
- Futtassa az alábbi kódot a Tensorflow egyszerűbb verziójának telepítéséhez
pip telepítés tensorflow / conda telepítés tensorflow (Anaconda)
- Ez telepíti a Tensorflow szoftvert a gpu támogatott konfigurációkkal.
pip telepítése Tensorflow-gpu
Példa arra, hogy a tf.estimator 3 sorból álló osztályozót használjon
Import tensorflow as tf
classifier = tf.estimator.LinearClassifier(feature_columns)
classifier.train(input_fn=train_input_function, steps=2000)
predictions = classifier.predict(input_fn=predict_input_function)
A Tensorflow alapadat típusai
Alapvető adattípusok a Tensorflow keretben (Tenzorok)
Az alábbiakban bemutatjuk a tenzorok minden dimenzióját.
- Skalár - O dimenziós tömb
- Stock fotó - 1 Dimenziós Array
- Mátrix - 2 dimenziós tömb
- 3D Tensor - háromdimenziós tömb
- N - D Tenzor - N-dimenziós tömb
Állandó tenzorok
változók
tf.Variable osztály, egy változó létrehozásához tensorflow-ban és a tf.get_variable függvény meghívására
A változók inicializálása
A változók inicializálásához a tf.global_variables_initializer hívásával meg lehet inicializálni az összes változót.
Egy egyszerű példa a változó és a matematikai kifejezésre
Normál módon
a = 3, 0, b = 8 * a +10
Tensorflow módon
c = tf.Méretezhető (tf.add (tf.szorosan (X, a), b)
grafikonok
Kódunk minden, a tensorflow-ban írt sorát átalakítják mögöttes diagrammá
Példa:
- Csomópontok: Matematikai műveleteket ábrázol.
- Szél: a multidimenziós tömböt (Tenzorok) képviseli, és megmutatja, hogyan kommunikálnak közöttük.
Tensorflow 2.0
- A Tensorflow második verziójában arra összpontosítottak, hogy az API egyszerűbbé és könnyebben használható legyen.
- Az API-összetevők jobban integrálódnak a Keras-be, alapértelmezés szerint a lelkes végrehajtási mód aktiválódik.
- Eager Mode: A lelkes végrehajtás futó felület, ahol a műveletek azonnal végrehajtásra kerülnek, amint azokat Pythonról hívják.
- Használhatunk mohó módot a gráf mód helyett. Meg tudjuk számolni, hogy mit kell számolnunk, és azonnal eredményt kaphatunk. Ez megkönnyíti a Tensorflow-t, mint a Pytorch
- Összpontosítva a párhuzamos API eltávolítására.
Keras
- A Tensorflow magas szintű API-t biztosít a mélyreható tanulási modellek felépítéséhez és képzéséhez. Ezt nem vették figyelembe a tensorflow-ban, de a legújabb kiadásban a Keras szerepelt a Tensorflow 2.0-ban.
- Felhasználóbarát: A Keras egyszerű, következetes felületet biztosít a közhasznú esetekhez.
- Moduláris és kompozitív: A Keras modellek építőelemek összekapcsolásával készülnek.
- Könnyen bővíthető: Új rétegek, metrikák, veszteségfüggvények létrehozása vagy frissítése
- Használja a tf.keras alkalmazást a Keras modellekhez.
Tensorflow Lite
- 2017-ben a Google bejelentette a Tensorflow Lite kifejezetten a mobil fejlesztéshez épített szoftvert.
- A Tensorflow Lite (TFLite) könnyű megoldás a mobil eszközökön történő következtetéshez.
- Használhatjuk azt IOS-re és Androidra is, létrehozva C ++ API-t, valamint Java-becsomagoló osztályt is fejleszthetünk az Android-fejlesztők számára.
Az algoritmus listája, amelyet a Tensorflow támogat
1. A regresszió érdekében
- Lineáris regresszió (tf.estimator. Lineáris regresszió)
- Fokozó fa regresszió (tf.estimator. Fokozott fa regresszor)
2. Osztályozáshoz
- Besorolás (tf.estimator. Lineáris osztályozó)
- Mély tanulás kombinált (tf.estimator. DNNLinearCombinedClassifier)
- Fokozott fa osztályozó (tf.estimator. Fokozott fa osztályozó)
A Tensorflow jellemzői
- A Tensorflow hatékonyan működik a többdimenziós tömbökkel (tenzorokkal) foglalkozó különféle típusú matematikai kifejezésekkel.
- Támogatást nyújt a mélyen tanuló ideghálózatok és más gépi tanulási koncepciók számára is.
- A Tensorflow több processzoron és GPU-n is futtatható.
- Biztosítja a saját feldolgozási teljesítményét is, amely a Tensor Processing Unit.
Tenzor feldolgozó egység (TPU)
- A Google bejelentette Tensor feldolgozó egységét (TPU), egy alkalmazás-specifikus integrált áramkört (Hardware Chip), amelyet kifejezetten a Machine Learning számára készítettek és a Tensorflow-hoz szabtak.
- 2017-ben a Google bejelentette a Tensorflow második verzióját, valamint a TPU-k rendelkezésre állását a Google Cloud-ban.
- A TPU egy programozható AI gyorsító, amelyet modellek használatához vagy futtatásához terveztek. A Google a TPU-kat több mint egy éve működteti adatközpontjaikban.
Edge TPU
- Az Edge TPU egy olyan chipek, amelyeket a Tensorflow Lite gépi tanulási (ML) modellekhez tervezett és futtatott modellekhez épített gépeket használnak, hogy kis számítástechnikai eszközökön, például okostelefonokon futhassanak.
- Nagy skálázhatóság a hatalmas adatkészletek kiszámításához
- A modelleket edzheti és kiszolgálhatja egy élő modellben is. Nem szükséges a kód átírása
Következtetés - Tensorflow alapok
A Tensorflow egy nagyon gyakran használt mély tanulási könyvtár. Ezt leginkább az ideghálózatok létrehozásában használják, az induló vállalkozások, a nagyvállalatok szintén használják.
A fentiek szerint a Google tensorflow-ot is használ belső célra, amelyet még mindig különféle termékekben használt, például a Gmailben és a Google keresőmotorjában.
Ajánlott cikkek
Ez egy útmutató a Tensorflow alapjaihoz. Itt tárgyaljuk a Tensorflow telepítését a Tensorflow által támogatott funkciókkal és algoritmusok listájával. A következő cikkben további információkat is megnézhet -
- Mi a TensorFlow?
- TensorFlow alternatívák
- Bevezetés a Tensorflow-ba
- A TensorFlow telepítése
- C ++ adattípusok