Основи на Tensorflow - Какво е Tensorflow? - Монтаж на Tensorflow

Съдържание:

Anonim

Въведение в Tensorflow

Tensorflow е софтуер и библиотека с отворен код. Той е разработен от екипа на Google Brain, който е изграден от задълбочен учебен екип за изкуствен интелект в google 2010. Google го използва за вътрешна употреба, след което беше пуснат под Apache2.0 Open source - 2015. В тази тема, ние излизаме научете повече за основите на Tensorflow.

Tensorflow е система от второ поколение в мозъка на Google. Версия 1 беше публикувана на 11 февруари 2017 г. Tensorflow 1.0 вече имаше Python API и API за java, а GO езикът също се добавя към версия 1.0. Невронната мрежа на Tensorflow извършва операции върху многоизмерен масив от данни, който се нарича тензор. Работи се с тензори. Това е софтуерна библиотека за дълбоко обучение и работи главно за числени изчисления, използвайки графики на потока от данни.

Какво е основата на Tensorflow?

Тензорите са обекти, които описват линейната връзка между вектори, скалари и други тензори. Тензорите не са нищо друго освен многоизмерни масиви.

Tensorflow осигурява поддръжка за писане на кода според вашите изисквания и достъп до различни видове инструменти. Можем да напишем код C ++ и да извикаме C ++ код от python. Или можем да напишем python код и да го наречем чрез C ++.

Погледнато над изображението, най-ниският слой, който поддържа два езика, първо е езикът Python, а вторият език C ++. Можете да го напишете на всеки език от вашата зона на комфорт. Тя има колекция от различни математически библиотеки, които помагат лесно да се създават математически функции.

Той също така осигурява поддръжка за обработка като CPU, GPU, TPU и също работи на android мобилни телефони.

Tf.layers : - tf.layers се използва за абстрактен метод, за да можете да персонализирате слоевете на невронните мрежи.

Tf.estimator : - най-често използваният API в tensorflow е tf.estimator. Помага при създаването и обучението, тествайте модела си.

Монтаж на Tensorflow

  • Първо проверете вашата версия на пип, ако не е последна, след това изпълнете следващата команда, за да надстроите пип

pip install - надстройка на pip

  • Изпълнете код под, за да инсталирате по-простата версия на Tensorflow

пип инсталиране tensorflow / conda инсталиране tensorflow (Anaconda)

  • Това ще инсталира Tensorflow с конфигурации, поддържани от gpu.

пип инсталиране Tensorflow-gpu

Пример за tf.estimator да използва класификатор от 3 реда код

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)

Основни типове данни на Tensorflow

Основните типове данни в рамката на Tensorflow (тензори)

По-долу показва всяко измерение на тензорите.

  • Скаларен - O размерен масив
  • Вектор - 1 размерна решетка
  • Матрица - двумерен масив
  • 3D тензор - триизмерен масив
  • N - D Tensor - N-размерен масив

Постоянни тензори

Променливи

tf.Variable клас, за създаване на променлива в tensorflow и извикване на tf.get_variable функцията

Инициализиране на променливи

За да инициализираме променливите, Като извикваме tf.global_variables_initializer можем да инициализираме всички променливи.

Прост пример за променлива и Math израз

Нормален начин

a = 3.0, b = 8 * a +10

Tensorflow начин

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

Графики

Всеки ред в нашия код, написан в tensorflow, се преобразува в основна диаграма

Пример:

  • Възли: Представлява математически операции.
  • Edges: той представлява многоизмерния масив (Tensors) и показва как те комуникират помежду си.

Tensorflow 2.0

  • Във втората версия на Tensorflow те се фокусираха върху това да направят API по-лесен и лесен за използване.
  • Компонентите на API се интегрират по-добре с Keras, по подразбиране се активира режимът на нетърпеливо изпълнение.
  • Eager Mode: Eager изпълнението е стартиран интерфейс, където операциите се изпълняват незабавно, както се наричат ​​от Python.
  • Можем да използваме режим на нетърпение вместо графичен режим. Можем да изчислим какво трябва да изчислим и можем да получим резултати веднага. Това ще направи Tensorflow толкова лесен, колкото Pytorch
  • Фокусиране върху API за премахване на дублиране.

Keras

  • Tensorflow осигурява API на високо ниво за изграждане и обучение на модели за задълбочено обучение. Това не беше включено в tensorflow, но в последната версия Keras беше включен в Tensorflow 2.0.
  • Лесен за употреба: Keras предоставя прост, постоянен интерфейс за случаи с често използване.
  • Модулна и композитна: Моделите на Keras са направени чрез свързване на строителни блокове заедно.
  • Лесно се разширява: Създавайте или актуализирайте нови слоеве, показатели, загуби
  • Използвайте tf.keras за използване на модели Keras.

Tensorflow Lite

  • През 2017 г. Google обяви софтуер, който е създаден специално за мобилни разработки, Tensorflow Lite.
  • Tensorflow Lite (TFLite) е леко решение за извод за мобилни устройства.
  • Можем да го използваме и за IOS и Android, като създадем C ++ API, както и можем да използваме Java обвиващ клас за Android Developers.

Списък на алгоритъм, който Tensorflow поддържа

1. За регресия

  • Линейна регресия (tf.estimator. Линейна регресия)
  • Регресия на бустерно дърво (tf.estimator. Boosted Tree Regressor)

2. За класификация

  • Класификация (tf.estimator. Линеен класификатор)
  • Комбинирано задълбочено обучение (tf.estimator. DNNLinearCombinedClassifier)
  • Подсилен класификатор на дървета (tf.estimator. Boosted Tree Classifier)

Характеристики на Tensorflow

  • Tensorflow работи ефективно с различни видове математически изрази, включващи многоизмерни масиви (тензори)
  • Той също така осигурява поддръжка за невронни мрежи за обучение и други концепции за машинно обучение.
  • Tensorflow може да работи на множество процесори и графични процесори.
  • Той също така осигурява собствена мощност за обработка, която е тензорният процесор.

Тензорна обработваща единица (TPU)

  • Google обяви своя процесор Tensor (TPU), специфична за приложение интегрална схема (Hardware Chip), създадена специално за машинно обучение и пригодена за Tensorflow.
  • През 2017 г. Google обяви втората версия на Tensorflow, както и наличието на TPU в google cloud.
  • TPU е програмируем AI ускорител и е създаден за използване или работа с модели. Google управлява TPU в своите центрове за данни повече от година.

Edge TPU

  • Edge TPU е чип, който googles е създаден за проектирани и управлявани модели за машинно обучение (ML) на Tensorflow Lite, които да работят на малки компютърни устройства като смартфони.
  • Висока мащабируемост за изчисляване на огромни набори от данни
  • Също така може да тренира и обслужва модели по жив модел. Пренаписване на код не се изисква

Заключение - Основи на Tensorflow

Tensorflow е много често използвана библиотека за дълбоко обучение. Това се използва най-вече за създаване на невронни мрежи, използвани и от стартиращи компании, големи компании.

Както беше казано по-горе, Google също използва tensorflow за вътрешното си предназначение, той все още се използва в предимно всички видове продукти като Gmail и търсачката за google.

Препоръчителни статии

Това е ръководство за основите на Tensorflow. Тук обсъждаме инсталирането на Tensorflow с функциите и списъка на алгоритъма, който Tensorflow поддържа. Можете също да разгледате следната статия, за да научите повече -

  1. Какво е TensorFlow?
  2. TensorFlow Алтернативи
  3. Въведение в Tensorflow
  4. Как да инсталирате TensorFlow
  5. C ++ Видове данни