Tensorflow Basics - Vad är Tensorflow? - Installation av Tensorflow

Innehållsförteckning:

Anonim

Introduktion till Tensorflow

Tensorflow är ett program med öppet källkod och bibliotek. Det utvecklades av Google Brain-team som byggdes av djup inlärning av forskargrupp för artificiell intelligens på Google 2010. Google använde det för internt bruk efter det att det släpptes under Apache2.0 Open source - 2015. I det här ämnet kommer vi att lära dig mer om Tensorflow Basics.

Tensorflow är google brain's andra generationens system. Version 1 släpptes 11 februari 2017. Tensorflow 1.0 hade nu Python API och API för Java och GO-språk läggs också till version 1.0. Tensorflödesoperationer neurala nätverk utförs på multidimensionell datarray, som kallas en tensor. Det fungerar med Tensors. Det är ett programbibliotek för djup inlärning och fungerar främst för numerisk beräkning med hjälp av dataflödesdiagram.

Vad är Tensorflow Basics?

Tensorer är objekt som beskriver den linjära relationen mellan vektorer, skalar och andra tensorer. Tensorer är inget annat än flerdimensionella matriser.

Tensorflow ger support för att skriva koden enligt dina krav och tillgång till olika typer av verktyg. Vi kan skriva kod C ++ och kan ringa C ++ -kod från python. Eller så kan vi skriva pytonkod och kalla den med C ++.

Sett ovanför bilden är det lägsta lagret det stöder två språk först Python språk och andra C ++ språk. Du kan skriva det på vilket språk som helst i din komfortzon. Den har en samling olika matematikbibliotek som hjälper till att enkelt skapa matematiska funktioner.

Det ger också stöd för bearbetning som CPU, GPU, TPU och körs också på Android-mobiler.

Tf.layers : - tf.layers används för metodabstrakt så att du kan anpassa lagren i neurala nätverk.

Tf.estimator : - det vanligaste API i tensorflow är tf.estimator. Det hjälper dig att skapa och träna, testa din modell.

Installation av Tensorflow

  • Kontrollera först din pipversion, om inte den senaste, kör sedan följande kommando för att uppgradera pip

pip install - uppgradera pip

  • Kör under koden för att installera den enklare versionen av Tensorflow

pip installera tensorflow / conda install tensorflow (Anaconda)

  • Detta kommer att installera Tensorflow med konfigurationer som stöds av gpu.

pip installera Tensorflow-gpu

Exempel på tf.estimator för att använda klassificering med 3 kodrader

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)

Grundläggande datatyper av Tensorflow

De grundläggande datatyperna i Tensorflow-ramverket (Tensorer)

Nedan visas varje dimension av tensorer.

  • Scalar - O Dimensional Array
  • Stockfoto - 1 dimensionell matris
  • Matris - 2 dimensionell matris
  • 3D-tensor - 3-dimensionell matris
  • N - D Tensor - N-dimensionell matris

Konstant Tensors

variabler

tf.Variable class, för att skapa en variabel i tensorflow och ringa funktionen tf.get_variable

Initiera variabler

För att initialisera variablerna, genom att ringa tf.global_variables_initializer kan vi initiera alla variabler.

Ett enkelt exempel på variabelt uttryck och matematik

Normalt sätt

a = 3.0, b = 8 * a +10

Tensorflow sätt

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

grafer

Varje rad i vår kod skriven i tensorflow konverteras till ett underliggande diagram

Exempel:

  • Noder: Det representerar matematiska operationer.
  • Kanter: det representerar den flerdimensionella matrisen (Tensorer) och visar hur de kommunicerar mellan dem.

Tensorflow 2.0

  • I den andra versionen av Tensorflow fokuserade de på att göra API: en enklare och lättanvänd.
  • API-komponenterna integreras bättre med Keras, som standard aktiveras det ivriga exekveringsläget.
  • Ivrig läge: Ivrig exekvering körs gränssnitt där operationer utförs omedelbart som de kallas från Python.
  • Vi kan använda ivrigt läge istället för grafläge. Vi kan beräkna vad vi behöver beräkna och vi kan få resultat direkt. Detta gör Tensorflow lika enkelt som Pytorch
  • Fokusera på ta bort duplicerings-API: er.

Keras

  • Tensorflow tillhandahåller ett API på hög nivå för att bygga och utbilda modeller för djup inlärning. Detta ingick inte i tensorflow men i den senaste versionen har Keras inkluderats i Tensorflow 2.0.
  • Användarvänlig: Keras tillhandahåller ett enkelt gränssnitt för konsistens för fall med vanligt bruk.
  • Modulär och komponerbar: Keras-modeller tillverkas genom att bygga byggstenar ihop.
  • Lätt att utöka: Skapa eller uppdatera nya lager, mätvärden, förlustfunktioner
  • Använd tf.keras för att använda Keras-modeller.

Tensorflow Lite

  • 2017 tillkännagav Google programvara som är speciellt byggd för mobilutveckling, Tensorflow Lite.
  • Tensorflow Lite (TFLite) är en lättlösning för slutsatser på mobilenheter.
  • Vi kan också använda det för IOS och Android genom att skapa C ++ API, liksom vi kan också Java-omslagsklass för Android-utvecklare.

Lista över algoritmer som Tensorflow stöder

1. För regression

  • Linear Regression (tf.estimator. Linear Regression)
  • Booster tree Regression (tf.estimator. Boosted Tree Regressor)

2. För klassificering

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

Funktioner i Tensorflow

  • Tensorflow fungerar effektivt med olika typer av matematiska uttryck som involverar multidimensionella matriser (Tensorer)
  • Det ger också stöd för djupgående lärande neurala nätverk och andra maskininlärningskoncept.
  • Tensorflow kan köras på flera CPU och GPU.
  • Det tillhandahåller också sin egen processorkraft som är Tensor Processing Unit.

Tensorbehandlingsenhet (TPU)

  • Google tillkännagav sin Tensor-behandlingsenhet (TPU) en applikationsspecifik integrerad krets (Hardware Chip), byggd specifikt för maskininlärning och skräddarsydd för Tensorflow.
  • Under 2017 meddelade Google den andra versionen av Tensorflow, liksom tillgängligheten av TPU: er i googlemoln.
  • TPU är en programmerbar AI-accelerator och byggd för att använda eller köra modeller. Google driver TPU: er i sina datacenter i mer än ett år.

Kant TPU

  • Edge TPU är ett chip som Googles är byggt för att utforma och köra Tensorflow Lite-maskininlärningsmodeller (ML) för att köra på små datorenheter som smartphones.
  • Hög skalbarhet för att beräkna enorma datasätt
  • Det kan också träna och betjäna modeller i en levande modell. Omskrivning av kod krävde jag inte

Slutsats - Tensorflow Basics

Tensorflow är ett mycket vanligt använt bibliotek för djupinlärning. Det används mest för att skapa neurala nätverk, som också används av nystartade företag, stora företag.

Som talat ovan använder Google också tensorflow för sitt interna ändamål som det fortfarande används i mestadels alla typer av produkter som Gmail och google sökmotor.

Rekommenderade artiklar

Detta är en guide till Tensorflow Basics. Här diskuterar vi installationen av Tensorflow med funktionerna och listan över algoritmer som Tensorflow stöder. Du kan också titta på följande artikel för att lära dig mer -

  1. Vad är TensorFlow?
  2. TensorFlow-alternativ
  3. Introduktion till Tensorflow
  4. Hur man installerar TensorFlow
  5. C ++ Datatyper