Tensorflow-perusteet - Mikä on Tensorflow? - Tensorflowin asennus

Sisällysluettelo:

Anonim

Johdatus Tensorflowiin

Tensorflow on avoimen lähdekoodin ohjelmisto ja kirjasto. Sen on kehittänyt Google Brain -tiimi, jonka perusti syvän oppimisen tekoälyn tutkimusryhmä google 2010: ssä. Google käytti sitä sisäiseen käyttöön sen jälkeen, kun se julkaistiin Apache2.0 Open Source - 2015 -kohdassa. Tässä aiheessa me otamme muut oppia Tensorflow-perusteista.

Tensorflow on google-aivojen toisen sukupolven järjestelmä. Versio 1 julkaistiin 11. helmikuuta 2017. Tensorflow 1.0: lla oli nyt Python API ja API Java -sovelluksille ja GO-kieli on myös lisätty versioon 1.0. Tensorflow-operaatiot hermoverkko suoritetaan moniulotteiselle tietojärjestelmälle, jota kutsutaan tensoriksi. Se toimii Tensorsin kanssa. Se on ohjelmistokirjasto syvälle oppimiseen ja toimii pääasiassa numeerista laskentaa varten datavirtakaavioiden avulla.

Mikä on Tensorflow-perusteet?

Tenorit ovat esineitä, jotka kuvaavat lineaarista suhdetta vektoreiden, skalaarien ja muiden tenorien välillä. Tenorit ovat vain moniulotteisia ryhmiä.

Tensorflow tarjoaa tuen koodin kirjoittamiseen tarpeidesi mukaan ja pääsyn erityyppisiin työkaluihin. Voimme kirjoittaa koodin C ++ ja soittaa C ++ -koodin pythonista. Tai voimme kirjoittaa python-koodin ja kutsua sitä C ++: lla.

Kuvan yläpuolella nähty alin kerros, jota se tukee kahta kieltä, on ensin Python-kieli ja toinen C ++ -kieli. Voit kirjoittaa sen millä tahansa kielellä mukavuusvyöhykkeelläsi. Siinä on kokoelma erilaisia ​​matemaattisia kirjastoja, jotka auttavat luomaan matemaattisia toimintoja helposti.

Se tukee myös prosessointia, kuten CPU, GPU, TPU, ja toimii myös android-matkapuhelimissa.

Tf.layers : - tf.layersiä käytetään abstraktissa menetelmässä, jotta voit mukauttaa hermoverkkojen kerroksia.

Tf.estimator : - Yleisimmin käytetty tensorflow-sovellusliittymä on tf.estimator. Se auttaa mallin luomisessa ja kouluttamisessa, testaamisessa.

Tensorflowin asennus

  • Tarkista ensin pip-versio, jos ei viimeistään, suorita seuraava komento päivittääksesi pip-version

pip install - päivitys pip

  • Suorita alla oleva koodi asentaaksesi yksinkertaisemman version Tensorflowista

pip asenna tensorflow / conda asenna tensorflow (Anaconda)

  • Tämä asentaa Tensorflow gpu-tuetut kokoonpanot.

pip asentaa Tensorflow-gpu

Esimerkki tf.estimatorista luokittelijan käyttämiseen kolmella koodirivillä

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)

Tensorflow-perustiedot

Tensorflow-kehyksen perustiedot (Tensors)

Seuraavassa esitetään kunkin mittauksen mittaukset.

  • Scalar - O-ulotteinen taulukko
  • Vektori - 1 ulotteinen ryhmä
  • Matriisi - 2-ulotteinen taulukko
  • 3D-sensori - 3-ulotteinen taulukko
  • N - D-sensori - N-ulotteinen taulukko

Jatkuvat Tenorit

muuttujat

tf.Variable -luokka, muuttujan luomiseksi tensorflow: iin ja funktion tf.get_variable kutsumiseksi

Muuttujien alustaminen

Alustamaan muuttujat, soittamalla tf.global_variables_initializer, voimme alustaa kaikki muuttujat.

Yksinkertainen esimerkki muuttujan ja matematiikan lausekkeesta

Normaali tapa

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

Tensorflow tapa

c = tf.Vable (tf.add (tf.kertaan (X, a), b)

Käyrät

Jokainen koodimme rivi, joka on kirjoitettu tensorflow-muotoon, muunnetaan alla olevaan kaavioon

Esimerkki:

  • Solmut: Se edustaa matemaattisia toimintoja.
  • Reunat: se edustaa moniulotteista taulukkoa (Tensors) ja näyttää kuinka ne kommunikoivat keskenään.

Tensorflow 2.0

  • Tensorflowin toisessa versiossa he keskittyivät yksinkertaistamaan ja helppokäyttöistä sovellusliittymää.
  • API-komponentit integroituvat paremmin Kerasiin, oletusarvoisesti innokas suoritustila aktivoidaan.
  • Eager Mode: Innokas suoritus on ajettu käyttöliittymä, jossa toiminnot suoritetaan heti, kun ne kutsutaan Pythonista.
  • Voimme käyttää innokasta tilaa grafiikkatilan sijasta. Voimme laskea mitä tarvitsemme laskea ja voimme saada tulokset heti. Tämä tekee Tensorflowista yhtä helppoa kuin Pytorch
  • Keskitytään kopiointiliittymien poistamiseen.

Keras

  • Tensorflow tarjoaa korkean tason sovellusliittymän syvän oppimisen mallien rakentamiseksi ja kouluttamiseksi. Tätä ei sisällytetty tensorflow-ohjelmaan, mutta viimeisimmässä versiossa Keras on sisällytetty Tensorflow 2.0 -versioon.
  • Käyttäjäystävällinen: Keras tarjoaa yksinkertaisen, johdonmukaisen käyttöliittymän yleiseen käyttöön.
  • Modulaarinen ja komposiitti: Keras-mallit valmistetaan kytkemällä rakennuspalikat toisiinsa.
  • Helppo laajentaa: Luo tai päivitä uusia tasoja, tietoja, häviötoimintoja
  • Käytä tf.kerasia Keras-mallien käyttämiseen.

Tensorflow Lite

  • Vuonna 2017 Google julkisti erityisesti mobiilikehitykseen rakennetun ohjelmiston, Tensorflow Lite.
  • Tensorflow Lite (TFLite) on kevyt ratkaisu mobiililaitteiden päättelyyn.
  • Voimme käyttää sitä myös IOS: lle ja Androidille luomalla C ++ API: n, samoin kuin Java-kääreluokan Android-kehittäjille.

Luettelo algoritmista, jota Tensorflow tukee

1. Regressio

  • Lineaarinen regressio (tf.estimaattori. Lineaarinen regressio)
  • Tehostetun puun regressio (tf.estimator. Tehostettu puun regressori)

2. Luokittelua varten

  • Luokittelu (tf.estimator. Lineaarinen luokitin)
  • Syvän oppimisen yhdistelmä (tf.estimator. DNNLinearCombinedClassifier)
  • Tehostettu puiden luokittelu (tf.estimator. Tehostettu puiden luokittelu)

Tensorflow: n ominaisuudet

  • Tensorflow toimii tehokkaasti erityyppisten matemaattisten lausekkeiden kanssa, jotka sisältävät moniulotteisia matriiseja (Tensors)
  • Se tukee myös syvän oppimisen hermoverkkoja ja muita koneoppimiskonsepteja.
  • Tensorflow voi toimia useissa suorittimissa ja GPU: issa.
  • Se tarjoaa myös oman prosessointitehon, joka on Tensorin prosessointiyksikkö.

Tensorin prosessointiyksikkö (TPU)

  • Google julkisti Tensor-prosessoriyksikkönsä (TPU) sovelluskohtaisen integroidun piirin (Hardware Chip), joka on rakennettu erityisesti koneoppimiseen ja räätälöity Tensorflowille.
  • Vuonna 2017 Google julkisti toisen version Tensorflowista sekä TPU: n saatavuuden google pilvessä.
  • TPU on ohjelmoitava AI-kiihdytin ja rakennettu mallien käyttämistä tai ajamista varten. Google ylläpitää TPU: ta tietokeskuksissaan yli vuoden ajan.

Reuna TPU

  • Edge TPU on siru, jonka googles on suunniteltu suunnittelemaan ja käyttämään Tensorflow Lite koneoppimismalleja (ML) käytettäväksi pienissä tietokonelaitteissa, kuten älypuhelimissa.
  • Suuri skaalautuvuus valtavien tietojoukkojen laskemiseen
  • Se voi myös kouluttaa ja palvella malleja elävänä mallina. Koodin uudelleenkirjoittamista ei vaadita

Johtopäätös - Tensorflow-perusteet

Tensorflow on erittäin yleisesti käytetty syvän oppimisen kirjasto. Sitä käytetään enimmäkseen hermoverkkojen luomisessa, myös startup- ja isoyritykset.

Kuten edellä kerrottiin, Google käyttää myös tensorflowia sisäiseen tarkoitukseensa, ja sitä käytetään edelleen pääasiassa kaikenlaisissa tuotteissa, kuten Gmailissa ja google-hakukoneessa.

Suositellut artikkelit

Tämä on opas Tensorflow-perusteisiin. Täällä keskustellaan Tensorflow-ohjelmiston asennuksesta niiden ominaisuuksien ja luettelon kanssa, joita Tensorflow tukee. Voit myös tarkastella seuraavaa artikkelia saadaksesi lisätietoja -

  1. Mikä on TensorFlow?
  2. TensorFlow-vaihtoehdot
  3. Johdatus Tensorflowiin
  4. Kuinka asentaa TensorFlow
  5. C ++ -tyypit