Hur man installerar TensorFlow
I den här installationen tensorflow-artikeln skulle vi först få en allmän översikt över TensorFlow och dess användning i datavetenskapens ekosystem, och sedan skulle vi installera TensorFlow för Windows.
Vad är TensorFlow?
TensorFlow är en mjukvaruapplikation, populär för att implementera Machine Learning-algoritmer, särskilt neurala nätverk. Den utvecklades av Google och släpptes som en öppen källkodsplattform 2015. Den kallas TensorFlow eftersom den tar input som multidimensionella matriser som också kallas Tensors. Vi kan konstruera ett flödesschema över operationer som vi vill utföra på den ingången, dvs data går in i ena änden och flyter sedan genom detta system av operationer och kommer ut i den andra änden som utgång. TensorFlow är populärt på grund av dess extrema mångsidighet. Det kan köras på olika plattformar som skrivbord, eller ett moln eller i en mobil enhet. Allt detta kan göras med ett enda API. Det kan tränas på flera maskiner, och sedan kunde vi köra det på en annan maskin. TensorFlow är mycket snabbt eftersom det är skrivet i C ++, men det kan nås och kontrolleras av andra språk, främst Python. En annan stor egenskap hos TensorFlow är TensorBoard som gör det möjligt för oss att grafiskt och visuellt övervaka TensorFlow-arbetet. Någon som är intresserad av Machine Learning, särskilt neurala nätverk, bör lära sig TensorFlow.
Dataflödesdiagramarkitektur av TensorFlow
Ett dataflödesdiagram har två grundenheter: En nod som representerar en matematisk operation, och en kant som tjänar en multidimensionell matris känd som tensorer. Så, denna abstraktion på hög nivå visar hur data flyter mellan operationer. När grafen har skapats skrivs en inre slinga för att driva beräkning. Ingångar matas in i noder genom variabler eller platshållare. I TensorFlow körs beräkningar endast efter att sessionen har skapats.
Varför TensorFlow föredras i Deep Learning? 
Deep Learning är en del av Machine Learning som lär sig funktioner och uppgifter direkt från data. Uppgifterna kan vara bilder, text eller ljud. Det kallas ofta end-to-end-lärande. Ett neuralt nätverk är synonymt med nervcellerna i hjärnan. I diagrammet ovan kommer data från inmatningsskiktet och flyter över dolda lager där alla beräkningar görs och sedan vidarebefordras till utgångsskiktet. Flera dolda spelare gör det till ett djupt neuralt nätverk, medan ett enda lager bildar ett grunt neuralt nätverk
- TensorFlow har ett brett inbyggt stöd för Deep Learning och neurala nätverk, så det är lätt att montera nät, tilldela parametrar och köra utbildningsprocessen.
- Det finns utbildningsbara matematiska funktioner som är användbara för neurala nätverk. Varje gradientbaserad maskininlärningsalgoritm kommer att dra nytta av TensorFlows autodifferentiering och svit av förstklassiga optimisatorer.
- TensorFlow är kompatibel med olika maskininlärningar på grund av dess omfattande samling av flexibla verktyg.
- Ett djupt neuralt nätverk hanterar mer komplexa beteenden där varje ingång behandlas av aktiveringsfunktioner som Hyperbolic Tangent, Logistic-funktion, etc. Valet av aktiveringsfunktion påverkar nätverkets beteende och TensorFlow ger kontroll över nätverkets struktur.
- TensorFlow kan också användas för att bygga enkla linjära och icke-linjära modeller.
Steg för att installera TensorFlow
Installationsdelen kommer att bestå av två delar: -
- Installera Anaconda
- Ställa in TensorFlow med Anaconda Prompt.
Del 1: Installera Anaconda på Windows
Anaconda är ett paket med några populära pythonpaket och har en paketansvarig som heter conda (liknande pip). Några av de populära anacondapaketen är - numpy, scipy, Jupiter, nltk, scikit-learning, etc. Om du har Python installerat i dina fönster, måste du köra pip för att installera alla dessa paket, medan du installerar anaconda, du får alla dessa paket på en gång.
Nedanstående steg illustrerar hur du installerar Anaconda på windows. Python 3.7 stöder inte TensorFlow, så vi kommer att använda Anaconda för Python 3.6.
- Ladda ner Anaconda for Python 3.6-installationsprogram härifrån - https://drive.google.com/open?id=12BLpz3wzsyI0kFcMgv0SGPj__0op-JJs
- När installationsprogrammet har laddats ner dubbelklickar du på det och väljer Nästa.
- Klicka på Jag håller med i nästa fönster.
- Välj Alla användare och klicka på Nästa.
- Välj installationsplatsen som du anser vara lämplig och klicka på Nästa.
- I nästa fönster markerar du rutan "Registrera Anaconda som system Python 3.6" och klicka på Installera.
- Installationen pågår.
- Låt installationen fortsätta och klicka sedan på Nästa när du är klar. Gå sedan till miljövariabler i windows för att ställa in sökvägen.
- Klicka på Ny och lägg till mappen Skript där du har installerat Anaconda och klicka på Ok.
- Gå nu till Windows sökfält och skriv Anaconda Prompt. Dubbelklicka på appen och skriv conda –version för att bekräfta installationen.
Del 2: Ställa in TensorFlow Install med Anaconda Prompt
- Gå till Anaconda Prompt och skriv conda create -n myenv python = 3.6 och tryck på enter.
- Tryck på Y och tryck på Enter. Det skapar en separat miljöinstallation TensorFlow
- Skriv conda aktivera myenv och ange Enter för att gå in i miljön.
- När du är i miljön anger du följande en efter en
- conda install jupyter
- conda installera scipy
- pip install - uppgradera tensorflöde
- När det är klart, skriv python och skriv sedan import tensorflow. Om det inte finns något fel är det TensorFlow-installationen.
Praktiska tillämpningar av TensorFlow
Deep Learning har kommit fram till kärnan i nästan varje större beräkningsgenombrott under de senaste åren. Det finns redan i många av våra dagliga produkter som Netflix och Amazons personliga rekommendationer, skräppostfiltrering och till och med vår interaktion med personliga assistenter som Apple Siri eller Microsoft Cortana.
Det är dock inte bara vetenskapstillämpningar som drar nytta av denna forskning. Människor från andra discipliner börjar också utforska hur djup inlärning kan användas i fall som Objektdetektion (som visas på bilden). Den lär datorn att känna igen ett objekt i en bild och sedan använda denna kunskap för att driva nya beteenden.
Senaste trenderna för TensorFlow
TensorFlow släppte nyligen sin 1.12.0-version där några av de viktigaste förbättringarna är: -
- Keras-modellen skulle kunna exporteras direkt till SavedModel-formatet och användas med TensorFlow-våren.
- Binärer är byggda med XLA-stöd, och Keras-modeller kan nu utvärderas med tf.data.Dataset.
- Ignite Dataset läggs till att bidra / antända som gör det möjligt att arbeta med Apache Ignite.
Rekommenderade artiklar
Detta har varit en guide för hur du installerar TensorFlow Här har vi diskuterat instruktionerna och olika steg för att installera TensorFlow. Du kan också titta på följande artikel för att lära dig mer -
- Skillnader mellan TensorFlow och Caffe
- Jämförelse av tensorflow och Pytorch
- Karriärer i djupa inlärningar
- PowerShell vs Python - Skillnader
- Introduktion till TensorFlow Playground