Вступ до Тенсорфлоу
Tensorflow - це програмне забезпечення та бібліотека з відкритим кодом. Він був розроблений командою Google Brain, яка була побудована дослідницькою командою з глибокого вивчення штучного інтелекту в Google 2010. Google використовувала його для внутрішнього використання після цього була випущена під відкритим кодом Apache2.0 - 2015. У цій темі ми йдемо дізнатися про основи Tensorflow.
Tensorflow - система мозку Google другого покоління. Версія 1 була випущена 11 лютого 2017 року. Tensorflow 1.0 тепер мав API Python та API для мови java, а також мова GO також додана до версії 1.0. Tensorflow операції нейронної мережі виконуються на багатовимірному масиві даних, який іменується тензором. Він працює з тензорами. Це бібліотека програмного забезпечення для глибокого навчання і в основному працює для чисельних обчислень з використанням графіків потоку даних.
Що таке основи Tensorflow?
Тензори - це об'єкти, які описують лінійне відношення між векторами, скалярами та іншими тензорами. Тензори - це не що інше, як багатовимірні масиви.
Tensorflow забезпечує підтримку написання коду відповідно до ваших вимог та доступ до різних видів інструментів. Ми можемо записати код C ++ і можемо викликати C ++ код з python. Або ми можемо написати python-код і назвати його за допомогою C ++.
Якщо побачити зображення, найнижчий рівень, який підтримує дві мови, - це мова Python, а друга мова C ++. Ви можете написати це будь-якою мовою у вашій зоні комфорту. У ньому є колекція різних математичних бібліотек, які допомагають легко створювати математичні функції.
Він також забезпечує підтримку таких процесорів, як CPU, GPU, TPU, а також працює на Android-мобільних телефонах.
Tf.layers : - tf.layers використовується для абстрактного методу, щоб ви могли налаштувати шари нейронних мереж.
Tf.estimator : - найчастіше використовується API в tensorflow - tf.estimator. Це допомагає створити та навчити, протестувати свою модель.
Установка Tensorflow
- Спочатку перевірте свою версію pip, якщо не останню, то запустіть наступну команду для оновлення pip
Pip install - оновлення pip
- Запустіть нижче код, щоб встановити більш просту версію Tensorflow
встановити pip tensorflow / conda встановити tensorflow (Anaconda)
- Це дозволить встановити Tensorflow з конфігураціями, що підтримуються gpu.
pip встановити Tensorflow-gpu
Приклад tf.estimator для використання класифікатора за 3 рядками коду
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)
Основні типи даних Tensorflow
Основні типи даних в рамках Tensorflow (тензори)
Нижче показано кожен вимір тензорів.
- Скалярний - розмірний масив
- Вектор - 1 розмірний масив
- Матриця - 2 розмірний масив
- 3D тензор - 3 мірний масив
- N - D тензор - N-мірний масив
Постійні тензори
Змінні
tf.Variable class, для створення змінної в tensorflow та виклику функції tf.get_variable
Ініціалізація змінних
Для ініціалізації змінних, викликаючи tf.global_variables_initializer, ми можемо ініціалізувати всі змінні.
Простий приклад змінної та математичного вираження
Нормальний спосіб
a = 3, 0, b = 8 * a +10
Тенсдорфловський шлях
c = tf.Variable (tf.add (tf.multiply (X, a), b)
Графіки
Кожен рядок нашого коду, написаний в тензорфлоу, перетворюється на нижню діаграму
Приклад:
- Вузли: Він представляє математичні операції.
- Краї: він представляє багатовимірний масив (тензори) і показує, як вони спілкуються між ними.
Tensorflow 2.0
- У другій версії Tensorflow вони зосередилися на тому, щоб зробити API простішим та легшим у використанні.
- Компоненти API краще інтегруються з Keras, за замовчуванням активовано режим нетерплячого виконання.
- Eager Mode: Eager виконання - це інтерфейс запуску, де операції виконуються негайно, як вони викликаються з Python.
- Ми можемо використовувати режим нетерпіння замість режиму графіків. Ми можемо обчислити те, що нам потрібно для обчислення, і ми можемо отримати результати відразу. Це зробить Tensorflow таким же простим, як і Pytorch
- Зосередження уваги на видаленні API дублювання.
Керас
- Tensorflow пропонує API високого рівня для побудови та навчання моделей глибокого навчання. Це не було включено в tensorflow, але в останньому випуску Keras був включений до Tensorflow 2.0.
- Зручний користувач: Keras надає простий, послідовний інтерфейс для випадків загального використання.
- Модульні та компонуючі: моделі Keras виготовляються з'єднанням будівельних блоків між собою.
- Легко розширити: Створення або оновлення нових шарів, метрик, функцій втрат
- Використовуйте tf.keras для використання моделей Keras.
Tensorflow Lite
- У 2017 році компанія Google оголосила програмне забезпечення, спеціально розроблене для розробки мобільних пристроїв, Tensorflow Lite.
- Tensorflow Lite (TFLite) - це легке рішення для виводу мобільних пристроїв.
- Ми також можемо використовувати його для IOS та Android, створивши API C ++, а також можемо також клас обгортки Java для розробників Android.
Список алгоритму, який підтримує Tensorflow
1. Для регресії
- Лінійна регресія (tf.estimator. Лінійна регресія)
- Регресія бустерного дерева (tf.estimator. Boosted Tree Regressor)
2. Для класифікації
- Класифікація (tf.estimator. Linear Classifier)
- Комбіноване глибоке навчання (tf.estimator. DNNLinearCombinedClassifier)
- Підсилений класифікатор дерев (tf.estimator. Підсилений класифікатор дерев)
Особливості Tensorflow
- Tensorflow працює ефективно з різними типами математичних виразів із залученням багатовимірних масивів (Tensors)
- Він також забезпечує підтримку нейронних мереж глибокого навчання та інших концепцій машинного навчання.
- Tensorflow може працювати на декількох процесорах та графічних процесорах.
- Він також забезпечує власну обробну потужність, яка є блоком обробки тензорів.
Блок тензорної обробки (ТПУ)
- Google оголосив про свій підрозділ обробки Tensor (TPU) - інтегральну схему (Hardware Chip), розроблену спеціально для машинного навчання та розроблену для Tensorflow.
- У 2017 році Google оголосив про другу версію Tensorflow, а також про наявність ТПУ у хмарі Google.
- TPU є програмованим прискорювачем AI і створений для використання або запуску моделей. Google працює у своїх центрах обробки даних понад TPU протягом більше року.
Край ТПУ
- Edge TPU - це мікросхема, яка розробляється для розроблених та запущених моделей машинного навчання Tensorflow Lite (ML) для роботи на невеликих обчислювальних пристроях, таких як смартфони.
- Висока масштабованість для обчислення величезних наборів даних
- Він також може тренувати та обслуговувати моделі за живою моделлю. Переписування коду мені не потрібно
Висновок - Основи Tensorflow
Tensorflow - це дуже поширена бібліотека глибокого навчання. Це в основному використовується при створенні нейронних мереж, також використовується стартап-компаніями, великими компаніями.
Як говорилося вище, Google також використовує tensorflow для своїх внутрішніх цілей, він все ще використовується в більшості всіх видів продуктів, таких як Gmail та пошукова система Google.
Рекомендовані статті
Це посібник з основ Tensorflow. Тут ми обговорюємо встановлення Tensorflow з особливостями та переліком алгоритму, який підтримує Tensorflow. Ви також можете переглянути наступну статтю, щоб дізнатися більше -
- Що таке TensorFlow?
- Альтернативи TensorFlow
- Вступ до Тенсорфлоу
- Як встановити TensorFlow
- Типи даних C ++