Grundlæggende om tensorflow - Hvad er Tensorflow? - Installation af tensorflow

Indholdsfortegnelse:

Anonim

Introduktion til Tensorflow

Tensorflow er en open source software og bibliotek. Det blev udviklet af Google Brain-team, som blev bygget af dyb læring af kunstig intelligensforskningsteam i google 2010. Google brugte det til intern brug, hvorefter det blev frigivet under Apache2.0 Open source - 2015. I dette emne går vi ot lære om Tensorflow Basics.

Tensorflow er google hjernens anden generation af system. Version 1 blev frigivet den 11. februar 2017. Tensorflow 1.0 havde nu Python API og API til java og GO sprog er også tilføjet til version 1.0. Tensorflowoperationer neuralt netværk udført på multidimensionel datarray, der omtales som en tensor. Det fungerer sammen med Tensorer. Det er et softwarebibliotek til dyb læring og fungerer hovedsageligt til numerisk beregning ved hjælp af dataflowgrafer.

Hvad er Tensorflow Basics?

Tensorer er objekter, der beskriver den lineære sammenhæng mellem vektorer, skalarer og andre tensorer. Tensorer er intet andet end multidimensionelle arrays.

Tensorflow giver support til at skrive koden i henhold til dine krav og adgang til forskellige slags værktøjer. Vi kan skrive kode C ++ og kan kalde C ++ kode fra python. Eller vi kan skrive python-kode og kalde den ved C ++.

Set over billedet er det laveste lag det understøtter to sprog først Python sprog og andet C ++ sprog. Du kan skrive det på ethvert sprog i din komfortzone. Det har en samling af forskellige matematiske biblioteker, der hjælper med til nemt at oprette matematiske funktioner.

Det giver også support til behandling som CPU, GPU, TPU og kører også på Android-mobiler.

Tf.layers : - tf.layers bruges til metodeabstrakt, så du kan tilpasse lagene i neurale netværk.

Tf.estimator : - mest almindeligt anvendte API i tensorflow er tf.estimator. Det hjælper med at skabe og træne, teste din model.

Installation af tensorflow

  • Kontroller først din pip-version, hvis ikke den seneste, kør derefter efter kommando for at opgradere pip

pip installere - opgradere pip

  • Kør under koden for at installere den enklere version af Tensorflow

pip installere tensorflow / conda installere tensorflow (Anaconda)

  • Dette installerer Tensorflow med gpu-understøttede konfigurationer.

pip installere Tensorflow-gpu

Eksempel på tf.estimator til brug af klassifikator med 3 kodelinjer

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)

Grundlæggende datatyper af tensorflow

De grundlæggende datatyper i Tensorflow-rammer (Tensorer)

Nedenfor viser hver dimension af tensorer.

  • Scalar - O Dimensional Array
  • Vector - 1 dimensionel matrix
  • Matrix - 2 dimensionelle array
  • 3D-tensor - 3-dimensionelt array
  • N - D Tensor - N-dimensionel matrix

Konstante tensorer

Variable

tf. Variabel klasse, til oprettelse af en variabel i tensorflow og kaldelse af funktionen tf.get_variable

Initialisering af variabler

For at initialisere variablerne Ved at kalde tf.global_variables_initializer kan vi initialisere alle variabler.

Et simpelt eksempel på variabel og matematisk udtryk

Normal måde

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

Tensorflow måde

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

Grafer

Hver linje i vores kode skrevet i tensorflow konverteres til et underliggende diagram

Eksempel:

  • Knuder: Det repræsenterer matematiske operationer.
  • Kanter: det repræsenterer det multidimensionelle array (Tensors) og viser, hvordan de kommunikerer mellem dem.

Tensorflow 2.0

  • I den anden version af Tensorflow fokuserede de på at gøre API'en enklere og let at bruge.
  • API-komponenterne integreres bedre med Keras, som standard aktiveres den ivrige eksekveringstilstand.
  • Ivrig tilstand: Ivrig udførelse køres interface, hvor handlinger udføres med det samme, som de kaldes fra Python.
  • Vi kan bruge ivrig tilstand i stedet for graftilstand. Vi kan beregne, hvad vi har brug for at beregne, og vi kan få resultater med det samme. Dette vil gøre Tensorflow lige så let som Pytorch
  • Fokus på fjernelse af duplikations-API'er.

Keras

  • Tensorflow giver et API på højt niveau til opbygning og træning af modeller for dyb læring. Dette var ikke inkluderet i tensorflow, men i den seneste udgivelse er Keras inkluderet i Tensorflow 2.0.
  • Brugervenligt: ​​Keras leverer en enkel, konsistensgrænseflade til sager med almindelig brug.
  • Modulopbygget og komponerbar: Keras-modeller fremstilles ved at forbinde byggeblokke sammen.
  • Let at udvide: Opret eller opdater nye lag, metrics, tabsfunktioner
  • Brug tf.keras til brug af Keras-modeller.

Tensorflow Lite

  • I 2017 annoncerede Google software, der specifikt er bygget til mobiludvikling, Tensorflow Lite.
  • Tensorflow Lite (TFLite) er en let løsning til inferens til mobil enhed.
  • Vi kan også bruge det til IOS og Android ved at oprette C ++ API, såvel som vi kan også Java-indpakningsklasse til Android-udviklere.

Liste over algoritmer, som Tensorflow understøtter

1. Til regression

  • Lineær regression (tf.estimator. Lineær regression)
  • Booster Tree Regression (tf.estimator. Boosted Tree Regressor)

2. Til klassificering

  • Klassificering (tf.estimator. Lineær klassificering)
  • Deep Learning Combined (tf.estimator. DNNLinearCombinedClassifier)
  • Boosted Tree Classifier (tf.estimator. Boosted Tree Classifier)

Funktioner i Tensorflow

  • Tensorflow fungerer effektivt med forskellige typer matematiske udtryk, der involverer multidimensionelle arrays (Tensors)
  • Det giver også støtte til dyb læring af neurale netværk og andre maskinlæringsbegreber.
  • Tensorflow kan køre på flere CPU'er og GPU'er.
  • Det leverer også sin egen behandlingskraft, der er Tensor Processing Unit.

Tensorbehandlingsenhed (TPU)

  • Google annoncerede sin Tensor-behandlingsenhed (TPU) et applikationsspecifikt integreret kredsløb (Hardware Chip), der er bygget specifikt til Machine Learning og skræddersyet til Tensorflow.
  • I 2017 annoncerede Google den anden version af Tensorflow såvel som tilgængeligheden af ​​TPU'erne i google sky.
  • TPU er en programmerbar AI-accelerator og bygget til brug eller kørsel af modeller. Google kører TPU'er i deres datacentre i mere end et år.

Kant TPU

  • Edge TPU er en chip, der googles bygget til designet og kørt Tensorflow Lite-maskinlæringsmodeller (ML) til at køre på små computerenheder såsom smartphones.
  • Høj skalerbarhed til beregning af enorme datasæt
  • Det kan også træne og tjene modeller i en levende model. Omskrivning af kode kræver jeg ikke

Konklusion - Grundlæggende om tensorflow

Tensorflow er et meget almindeligt anvendt bibliotek med dyb læring. Det bruges mest til oprettelse af neurale netværk, også brugt af opstartfirmaer, store virksomheder.

Som omtalt ovenfor bruger Google også tensorflow til sit interne formål, som det stadig bruges i stort set alle slags produkter som Gmail og google søgemaskine.

Anbefalede artikler

Dette er en guide til Tensorflow Basics. Her diskuterer vi Installation af Tensorflow med funktionerne og listen over algoritmer, som Tensorflow understøtter. Du kan også se på den følgende artikel for at lære mere -

  1. Hvad er TensorFlow?
  2. TensorFlow-alternativer
  3. Introduktion til Tensorflow
  4. Sådan installeres TensorFlow
  5. C ++ Datatyper