Sådan installeres TensorFlow
I denne installation tensorflow-artikel vil vi først få et generelt overblik over TensorFlow og dens anvendelse i Data Science-økosystemet, og derefter ville vi installere TensorFlow til Windows.
Hvad er TensorFlow?
TensorFlow er en softwareapplikation, der er populær til implementering af Machine Learning algoritmer, især neurale netværk. Det blev udviklet af Google og frigivet som en open source-platform i 2015. Det kaldes TensorFlow, fordi det tager input som multidimensionelle arrays, der også kaldes Tensors. Vi kunne konstruere et flowdiagram over operationer, som vi ønsker at udføre på det input, dvs. data går ind i den ene ende og flyder derefter gennem dette system af operationer og kommer ud i den anden ende som output. TensorFlow er populær på grund af dens ekstreme alsidighed. Det kunne køres på forskellige platforme som desktop, eller en sky eller på en mobilenhed. Alt dette kunne gøres ved hjælp af et enkelt API. Det kunne trænes på flere maskiner, og så kunne vi køre det på en anden maskine. TensorFlow er meget hurtig, fordi den er skrevet i C ++, men det kan fås adgang til og kontrolleres af andre sprog, hovedsageligt Python. En anden stor funktion ved TensorFlow er TensorBoard, som gør det muligt for os at overvåge grafisk og visuelt arbejdet i en TensorFlow. En person, der er interesseret i Machine Learning, især neuralt netværk, bør lære TensorFlow.
Data Flow Graph Arkitektur af TensorFlow
En dataflytgrafik har to basisenheder: En knude, der repræsenterer en matematisk operation, og en kant, der tjener en multidimensionel matrix, kendt som tensorer. Så denne abstraktion på højt niveau viser, hvordan data flyder mellem operationer. Når grafen er oprettet, skrives en indre løkke for at drive beregning. Indgange indføres i noder gennem variabler eller pladsholdere. I TensorFlow køres beregninger først, når sessionen er oprettet.
Hvorfor foretrækkes TensorFlow i Deep Learning? 
Deep Learning er en del af Machine Learning, der lærer funktioner og opgaver direkte fra dataene. Dataene kan være billeder, tekst eller lyd. Det omtales ofte som ende-til-ende-indlæring. Et neuralt netværk er synonymt med neuronerne i vores hjerne. I ovenstående diagram kommer data fra inputlaget og flyder over skjulte lag, hvor alle beregningerne udføres og derefter videre til outputlaget. Flere skjulte spillere gør det til et dybt neuralt netværk, mens et enkelt lag danner et lavt neuralt netværk
- TensorFlow har bred indbygget support til Deep Learning og neurale netværk, så det er let at samle net, tildele parametre og køre træningsprocessen.
- Der er træningsbare matematiske funktioner, der er nyttige til neurale netværk. Enhver gradientbaseret maskinlæringsalgoritme vil drage fordel af TensorFlows auto-differentiering og suite af førsteklasses optimizers.
- TensorFlow er kompatibel med forskellige maskinindlæringer på grund af dens omfattende samling af fleksible værktøjer.
- Et dybt neuralt netværk håndterer mere kompleks opførsel, hvor hvert input behandles af aktiveringsfunktioner som Hyperbolic Tangent, Logistisk funktion osv. Valget af aktiveringsfunktion påvirker netværkets opførsel, og TensorFlow giver kontrol over netværkets struktur.
- TensorFlow kunne også bruges til opbygning af enkle lineære og ikke-lineære modeller.
Trin til installation af TensorFlow
Installationsdelen vil bestå af to dele: -
- Installation af Anaconda
- Opsætning af TensorFlow vha. Anaconda Prompt.
Del 1: Installer Anaconda på Windows
Anaconda er et bundt af nogle populære pythonpakker og har en pakkeadministrator kaldet conda (svarende til pip). Nogle af de populære anaconda-pakker er - numpy, scipy, Jupiter, nltk, scikit-learning osv. Hvis du har Python installeret i dine windows, skal du køre pip, hvis du installerer anaconda, du får alle disse pakker på én gang.
Nedenstående trin illustrerer, hvordan man installerer Anaconda på windows. Python 3.7 understøtter ikke TensorFlow, så vi vil bruge Anaconda til Python 3.6.
- Download Anaconda til Python 3.6-installationsprogram herfra - https://drive.google.com/open?id=12BLpz3wzsyI0kFcMgv0SGPj__0op-JJs
- Når installationen er downloadet, skal du dobbeltklikke på den og vælge Næste.
- Klik på Jeg accepterer i næste vindue.
- Vælg Alle brugere, og klik på Næste.
- Vælg Installer placering, som du finder passende, og klik på Næste.
- I det næste vindue skal du markere afkrydsningsfeltet 'Registrer Anaconda som system Python 3.6' og klikke på Installer.
- Installation er i gang.
- Lad installationen fortsætte, og når den er færdig, skal du klikke på Næste for at afslutte den. Gå derefter til Miljøvariabler i windows for at indstille stien.
- Klik på Ny og tilføj mappen Scripts, hvor du har installeret Anaconda, og klik på Ok.
- Gå nu til Windows Search Bar, og skriv Anaconda Prompt. Dobbeltklik på appen, og skriv conda –version for at bekræfte installationen.
Del 2: Opsætning af TensorFlow-installation vha. Anaconda Prompt
- Gå til Anaconda Prompt, og skriv conda create -n myenv python = 3.6 og tryk enter.
- Tryk på Y og tryk på Enter. Det skaber et separat miljøinstallation TensorFlow
- Skriv conda aktivere myenv, og indtast Enter for at gå ind i miljøet.
- Når du er i miljøet, skal du indtaste følgende en efter en
- conda install jupyter
- conda installere scipy
- pip installere - opgradere tensorflow
- Når det er gjort, skal du indtaste python og derefter importere tensorflow. Hvis der ikke er nogen fejl, er det TensorFlow-installation med succes.
Praktiske anvendelser af TensorFlow
Deep Learning er kommet frem i hjertet af næsten ethvert større beregnings gennembrud i de sidste par år. Det er allerede i mange af vores daglige produkter som Netflix og Amazons personlige anbefalinger, spamfiltrering og endda vores interaktion med personlige assistenter som Apple Siri eller Microsoft Cortana.
Det er dog ikke kun videnskabelige applikationer, der drager fordel af denne forskning. Mennesker fra andre discipliner begynder også at undersøge, hvordan dyb læring kan bruges i tilfælde som Objektdetektion (som vist på billedet). Den lærer computeren at genkende et objekt i et billede og derefter bruge denne viden til at skabe ny adfærd.
Seneste tendenser for TensorFlow
TensorFlow udgav for nylig sin 1.12.0 version, hvor få af de store forbedringer er: -
- Keras-modellen kunne eksporteres direkte til SavedModel-formatet og bruges sammen med TensorFlow-fjederen.
- Binarer er bygget med XLA-understøttelse, og Keras-modeller kunne nu evalueres med tf.data.Dataset.
- Ignite Datasæt tilføjet til at bidrage / antænde, der gør det muligt at arbejde med Apache Ignite.
Anbefalede artikler
Dette har været en guide til installation af TensorFlow Her har vi drøftet instruktionerne og forskellige trin til installation af TensorFlow. Du kan også se på den følgende artikel for at lære mere -
- Forskelle på TensorFlow vs Caffe
- Sammenligning af tensorflow og Pytorch
- Karrierer i dybe læringer
- PowerShell vs Python - Forskelle
- Introduktion til TensorFlow Legeplads