Nozioni di base di Tensorflow - Che cos'è Tensorflow? - Installazione di Tensorflow

Sommario:

Anonim

Introduzione a Tensorflow

Tensorflow è un software e una libreria open source. È stato sviluppato dal team di Google Brain che è stato creato dal team di ricerca sull'intelligenza artificiale di deep learning di google 2010. Google lo stava usando per uso interno dopo che è stato rilasciato sotto Apache2.0 Open source - 2015. In questo argomento, stiamo andando ot conoscere le basi di Tensorflow.

Tensorflow è il sistema di seconda generazione di google brain. La versione 1 è stata rilasciata l'11 febbraio 2017. Tensorflow 1.0 ora aveva l'API Python e l'API per il linguaggio Java e GO è stata aggiunta anche alla versione 1.0. Rete neurale delle operazioni di Tensorflow eseguita su un array di dati multidimensionale, che viene definito tensore. Funziona con i tensori. È una libreria software per l'apprendimento approfondito e funziona principalmente per il calcolo numerico utilizzando grafici del flusso di dati.

Cosa sono le basi di Tensorflow?

I tensori sono oggetti che descrivono la relazione lineare tra vettori, scalari e altri tensori. I tensori non sono altro che matrici multidimensionali.

Tensorflow fornisce supporto per scrivere il codice in base alle proprie esigenze e accedere a diversi tipi di strumenti. Possiamo scrivere codice C ++ e chiamare codice C ++ da Python. Oppure possiamo scrivere codice Python e chiamarlo da C ++.

Visto sopra l'immagine il livello più basso che supporta due lingue prima è il linguaggio Python e il secondo linguaggio C ++. Puoi scriverlo in qualsiasi lingua nella tua zona di comfort. Ha una raccolta di diverse librerie matematiche che aiutano a creare facilmente funzioni matematiche.

Fornisce inoltre supporto per l'elaborazione come CPU, GPU, TPU e funziona anche su cellulari Android.

Tf.layers : - tf.layers viene utilizzato per il metodo astratto in modo da poter personalizzare i livelli delle reti neurali.

Tf.estimator : - l'API più comunemente usata in tensorflow è tf.estimator. Aiuta a creare e addestrare, testare il tuo modello.

Installazione di Tensorflow

  • Prima controlla la versione del tuo pip, se non la più recente, quindi esegui il comando seguente per aggiornare pip

pip install –upgrade pip

  • Esegui sotto il codice per installare la versione più semplice di Tensorflow

pip install tensorflow / conda install tensorflow (Anaconda)

  • Questo installerà Tensorflow con configurazioni supportate da gpu.

pip installa Tensorflow-gpu

Esempio di tf.estimator per utilizzare il classificatore per 3 righe di codice

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)

Tipi di dati di base di Tensorflow

I tipi di dati di base nel framework Tensorflow (tensori)

Di seguito mostra ogni dimensione dei tensori.

  • Scalare - Matrice dimensionale O
  • Vettore - 1 matrice dimensionale
  • Matrice - 2 array dimensionali
  • Tensore 3D - Matrice tridimensionale
  • Tensore N - D - Serie N-dimensionale

Tensori costanti

variabili

Classe tf.Variable, per creare una variabile in tensorflow e chiamare la funzione tf.get_variable

Inizializzazione di variabili

Per inizializzare le variabili, chiamando tf.global_variables_initializer possiamo inizializzare tutte le variabili.

Un semplice esempio di variabile ed espressione matematica

Modo normale

a = 3.0, b = 8 * a +10

Modo di Tensorflow

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

grafici

Ogni riga del nostro codice scritta in tensorflow viene convertita in un grafico sottostante

Esempio:

  • Nodi: rappresenta operazioni matematiche.
  • Bordi: rappresenta l'array multidimensionale (tensori) e mostra come comunicano tra loro.

Tensorflow 2.0

  • Nella seconda versione di Tensorflow, si sono concentrati sul rendere l'API più semplice e facile da usare.
  • I componenti API si integrano meglio con Keras, per impostazione predefinita viene attivata la modalità di esecuzione desiderosa.
  • Modalità Eager: l'esecuzione Eager è un'interfaccia di esecuzione in cui le operazioni vengono eseguite immediatamente come vengono chiamate da Python.
  • Possiamo usare la modalità desideroso anziché la modalità grafica. Possiamo calcolare ciò di cui abbiamo bisogno per calcolare e possiamo ottenere risultati immediatamente. Ciò renderà Tensorflow facile come Pytorch
  • Concentrandosi sulla rimozione delle API di duplicazione.

Keras

  • Tensorflow fornisce un'API di alto livello per la costruzione e l'addestramento di modelli di apprendimento profondo. Questo non è stato incluso in Tensorflow ma nell'ultima versione, Keras è stato incluso in Tensorflow 2.0.
  • Facile da usare: Keras offre un'interfaccia semplice e coerente per i casi d'uso più comuni.
  • Modulari e componibili: i modelli Keras sono realizzati collegando insieme blocchi.
  • Facile da estendere: crea o aggiorna nuovi livelli, metriche, funzioni di perdita
  • Utilizzare tf.keras per l'utilizzo dei modelli Keras.

Tensorflow Lite

  • Nel 2017, Google ha annunciato un software appositamente sviluppato per lo sviluppo mobile, Tensorflow Lite.
  • Tensorflow Lite (TFLite) è una soluzione leggera per l'inferenza sul dispositivo mobile.
  • Possiamo anche usarlo per IOS e Android creando API C ++, così come possiamo anche classe wrapper Java per sviluppatori Android.

Elenco di algoritmi supportati da Tensorflow

1. Per la regressione

  • Regressione lineare (stimatore tf. Regressione lineare)
  • Regressione dell'albero dei ripetitori (tf.estimator. Boosted Tree Regressor)

2. Per la classificazione

  • Classificazione (stimatore tf. Classificatore lineare)
  • Deep Learning Combined (tf.estimator. DNNLinearCombinedClassifier)
  • Classificatore albero potenziato (tf.estimator. Classificatore albero potenziato)

Caratteristiche di Tensorflow

  • Tensorflow funziona in modo efficiente con diversi tipi di espressioni matematiche che coinvolgono array multidimensionali (tensori)
  • Fornisce inoltre supporto per reti neurali di apprendimento profondo e altri concetti di apprendimento automatico.
  • Tensorflow può essere eseguito su più CPU e GPU.
  • Fornisce inoltre la propria potenza di elaborazione che è l'unità di elaborazione tensore.

Unità di elaborazione tensore (TPU)

  • Google ha annunciato la sua unità di elaborazione Tensor (TPU) un circuito integrato specifico per l'applicazione (Hardware Chip), costruito appositamente per Machine Learning e su misura per Tensorflow.
  • Nel 2017, Google ha annunciato la seconda versione di Tensorflow, nonché la disponibilità dei TPU nel cloud di Google.
  • TPU è un acceleratore AI programmabile e costruito per l'utilizzo o l'esecuzione di modelli. Google esegue TPU all'interno dei propri data center per più di un anno.

Edge TPU

  • Edge TPU è un chip creato su Google per i modelli di machine learning (ML) Tensorflow Lite progettati ed eseguiti per l'esecuzione su piccoli dispositivi informatici come gli smartphone.
  • Alta scalabilità per il calcolo di enormi set di dati
  • Può anche addestrare e servire modelli in un modello live. Riscrittura del codice non richiesta

Conclusione - Nozioni di base di Tensorflow

Tensorflow è una libreria di apprendimento profondo molto comunemente usata. Viene utilizzato principalmente nella creazione di reti neurali, utilizzato anche da startup, grandi aziende.

Come già detto in precedenza, Google utilizza anche tensorflow per i suoi scopi interni, ma è ancora utilizzato in quasi tutti i tipi di prodotti come Gmail e il motore di ricerca di Google.

Articoli consigliati

Questa è una guida alle basi di Tensorflow. Qui discutiamo l'installazione di Tensorflow con le caratteristiche e l'elenco degli algoritmi supportati da Tensorflow. Puoi anche leggere il seguente articolo per saperne di più -

  1. Che cos'è TensorFlow?
  2. TensorFlow Alternative
  3. Introduzione a Tensorflow
  4. Come installare TensorFlow
  5. Tipi di dati C ++