Podstawy Tensorflow - Co to jest Tensorflow? - Instalacja Tensorflow

Spisie treści:

Anonim

Wprowadzenie do Tensorflow

Tensorflow to oprogramowanie i biblioteka typu open source. Został on opracowany przez zespół Google Brain, który został zbudowany przez zespół dogłębnej nauki sztucznej inteligencji na Google 2010. Google używał go do użytku wewnętrznego po wydaniu go pod Apache 2.0 Open Source - 2015. W tym temacie dowiedzieć się o podstawach Tensorflow.

Tensorflow to system drugiej generacji google brain. Wersja 1 została wydana 11 lutego 2017 r. Tensorflow 1.0 ma teraz API Pythona i API dla java, a język GO został również dodany do wersji 1.0. Sieć neuronowa operacji tensorflow wykonywana na wielowymiarowej macierzy danych, zwanej tensorem. Działa z Tensorami. Jest to biblioteka oprogramowania do głębokiego uczenia się i działa głównie do obliczeń numerycznych z wykorzystaniem wykresów przepływu danych.

Co to są podstawy Tensorflow?

Tensory to obiekty opisujące liniową zależność między wektorami, skalarami i innymi tensorami. Tensory to nic innego jak tablice wielowymiarowe.

Tensorflow zapewnia wsparcie przy pisaniu kodu zgodnie z twoimi wymaganiami i dostęp do różnego rodzaju narzędzi. Możemy napisać kod C ++ i możemy wywołać kod C ++ z Pythona. Lub możemy napisać kod python i wywołać go przez C ++.

Widziany powyżej obraz najniższa warstwa obsługuje dwa języki. Najpierw jest język Python, a drugi język C ++. Możesz pisać w dowolnym języku w swojej strefie komfortu. Posiada kolekcję różnych bibliotek matematycznych, które pomagają w łatwym tworzeniu funkcji matematycznych.

Zapewnia również obsługę przetwarzania takich jak procesor, GPU, TPU, a także działa na telefonach z systemem Android.

Tf.layers : - tf.layers służy do metody abstrakcyjnej, dzięki czemu można dostosować warstwy sieci neuronowych.

Tf.estimator : - najczęściej stosowanym API w tensorflow jest tf.estimator. Pomaga w tworzeniu i szkoleniu, testowaniu modelu.

Instalacja Tensorflow

  • Najpierw sprawdź wersję PIP, jeśli nie najnowszą, a następnie uruchom następującą komendę, aby zaktualizować PIP

instalacja pip - aktualizacja pip

  • Uruchom poniższy kod, aby zainstalować prostszą wersję Tensorflow

pip install tensorflow / conda install tensorflow (Anaconda)

  • Spowoduje to zainstalowanie Tensorflow z konfiguracjami obsługiwanymi przez GPU.

pip zainstaluj Tensorflow-gpu

Przykład tf.estimator do użycia klasyfikatora według 3 wierszy kodu

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)

Podstawowe typy danych Tensorflow

Podstawowe typy danych w środowisku Tensorflow (Tensors)

Poniżej pokazano każdy wymiar tensorów.

  • Skalarna - tablica wymiarowa
  • Zdjęcie Seryjne - 1 Tablica wymiarowa
  • Matryca - tablica 2 wymiarów
  • Tensor 3D - trójwymiarowy układ
  • Tensor N - D - macierz N-wymiarowa

Stałe tensory

Zmienne

Klasa tf.Variable, do tworzenia zmiennej w tensorflow i wywoływania funkcji tf.get_variable

Inicjowanie zmiennych

Aby zainicjować zmienne, wywołując tf.global_variables_initializer możemy zainicjować wszystkie zmienne.

Prosty przykład wyrażenia zmiennego i matematycznego

Normalny sposób

a = 3, 0, b = 8 * a +10

Sposób Tensorflow

c = tf. Zmienna (tf.add (tf.multiply (X, a), b)

Wykresy

Każda linia w naszym kodzie napisana w tensorflow jest konwertowana na podstawowy wykres

Przykład:

  • Węzły: reprezentuje operacje matematyczne.
  • Krawędzie: reprezentuje tablicę wielowymiarową (Tensory) i pokazuje, jak się między nimi komunikują.

Tensorflow 2.0

  • W drugiej wersji Tensorflow skupili się na uproszczeniu interfejsu API.
  • Komponenty API lepiej integrują się z Keras, domyślnie tryb szybkiego uruchamiania jest włączony.
  • Tryb Eager: Eager wykonanie jest uruchamiany interfejs, w którym operacje są wykonywane natychmiast, jak są wywoływane z Python.
  • Możemy użyć trybu chętnego zamiast trybu graficznego. Możemy obliczyć to, co musimy obliczyć i od razu możemy uzyskać wyniki. Dzięki temu Tensorflow będzie tak łatwy jak Pytorch
  • Skoncentrowanie się na usuwaniu interfejsów API do powielania.

Keras

  • Tensorflow zapewnia interfejs API wysokiego poziomu do budowania i szkolenia modeli głębokiego uczenia. Nie zostało to uwzględnione w tensorflow, ale w najnowszej wersji Keras został włączony do Tensorflow 2.0.
  • Przyjazny dla użytkownika: Keras zapewnia prosty, spójny interfejs dla typowych przypadków użycia.
  • Modułowy i dający się komponować: modele Keras są tworzone przez łączenie ze sobą bloków konstrukcyjnych.
  • Łatwy do rozszerzenia: Twórz lub aktualizuj nowe warstwy, metryki, funkcje utraty
  • Użyj tf.keras do korzystania z modeli Keras.

Tensorflow Lite

  • W 2017 r. Google ogłosiło oprogramowanie stworzone specjalnie do tworzenia aplikacji mobilnych - Tensorflow Lite.
  • Tensorflow Lite (TFLite) to lekkie rozwiązanie do wnioskowania na urządzeniach mobilnych.
  • Możemy go również używać dla IOS i Androida, tworząc API C ++, a także możemy stworzyć klasę opakowań Java dla programistów Androida.

Lista algorytmów obsługiwanych przez Tensorflow

1. Dla regresji

  • Regresja liniowa (tf. Estymator. Regresja liniowa)
  • Regresja drzewa wspomagającego (tf.estimator. Boosted Tree Regressor)

2. Do klasyfikacji

  • Klasyfikacja (tf.estimator. Liniowy klasyfikator)
  • Deep Learning Combined (tf.estimator. DNNLinearCombinedClassifier)
  • Boosted tree klasyfikator (tf.estimator. Boosted Tree Classifier)

Funkcje Tensorflow

  • Tensorflow działa skutecznie z różnymi typami wyrażeń matematycznych obejmujących tablice wielowymiarowe (Tensory)
  • Zapewnia również obsługę głębokich sieci neuronowych i innych koncepcji uczenia maszynowego.
  • Tensorflow może działać na wielu procesorach i procesorach graficznych.
  • Zapewnia również własną moc obliczeniową, jaką jest Tensor Processing Unit.

Tensor Processing Unit (TPU)

  • Google ogłosił, że jednostka przetwarzająca Tensor (TPU) jest specyficznym dla aplikacji układem scalonym (Hardware Chip), zbudowanym specjalnie dla Machine Learning i dostosowanym do Tensorflow.
  • W 2017 roku Google ogłosił drugą wersję Tensorflow, a także dostępność TPU w chmurze Google.
  • TPU to programowalny akcelerator AI, zbudowany do używania lub uruchamiania modeli. Google obsługuje TPU w swoich centrach danych od ponad roku.

Edge TPU

  • Edge TPU to układ, który działa w Google, zaprojektowano i obsługuje modele uczenia maszynowego Tensorflow Lite (ML) do pracy na małych urządzeniach komputerowych, takich jak smartfony.
  • Wysoka skalowalność do obliczania ogromnych zbiorów danych
  • Może także trenować i obsługiwać modele w modelu na żywo. Przepisywanie kodu nie jest wymagane

Wniosek - podstawy Tensorflow

Tensorflow to bardzo często używana biblioteka do głębokiego uczenia się. Jest to najczęściej wykorzystywane do tworzenia sieci neuronowych, używanych także przez start-upy, duże firmy.

Jak wspomniano powyżej, Google wykorzystuje również tensorflow do swoich wewnętrznych celów, ale nadal jest używany w większości wszelkiego rodzaju produktów, takich jak Gmail i wyszukiwarka Google.

Polecane artykuły

Jest to przewodnik po podstawach Tensorflow. Tutaj omawiamy instalację Tensorflow z funkcjami i listą algorytmów obsługiwanych przez Tensorflow. Możesz także spojrzeć na następujący artykuł, aby dowiedzieć się więcej -

  1. Co to jest TensorFlow?
  2. Alternatywy TensorFlow
  3. Wprowadzenie do Tensorflow
  4. Jak zainstalować TensorFlow
  5. Typy danych C ++