Introduction à Tensorflow
Tensorflow est un logiciel et une bibliothèque open source. Il a été développé par l'équipe de Google Brain qui a été construit par l'équipe de recherche en intelligence artificielle de Google 2010. Cet outil était utilisé à des fins internes après sa sortie sous Apache2.0 Open source - 2015. Dans cette rubrique, nous allons en savoir plus sur les principes de base de Tensorflow.
Tensorflow est le système de deuxième génération de Google brain. La version 1 a été publiée le 11 février 2017. Tensorflow 1.0 avait désormais l'API Python et l'API pour java et GO est également ajoutée à la version 1.0. Réseau neuronal d'opérations Tensorflow effectué sur un tableau de données multidimensionnel, qui est appelé un tenseur. Cela fonctionne avec des tenseurs. Il s'agit d'une bibliothèque de logiciels pour l'apprentissage en profondeur et fonctionne principalement pour le calcul numérique à l'aide de graphiques de flux de données.
Qu'est-ce que Tensorflow Basics?
Les tenseurs sont des objets qui décrivent la relation linéaire entre des vecteurs, des scalaires et d'autres tenseurs. Les tenseurs ne sont que des tableaux multidimensionnels.
Tensorflow fournit un support pour écrire le code selon vos besoins et accéder à différents types d'outils. Nous pouvons écrire du code C ++ et appeler du code C ++ à partir de python. Ou nous pouvons écrire du code python et l'appeler par C ++.
Vu au-dessus de l'image, la couche la plus basse supportant deux langages est le langage Python et le second langage C ++. Vous pouvez l'écrire dans n'importe quelle langue dans votre zone de confort. Il possède une collection de différentes bibliothèques mathématiques qui aident à créer facilement des fonctions mathématiques.
Il prend également en charge le traitement comme le CPU, le GPU, le TPU et fonctionne également sur les mobiles Android.
Tf.layers : - tf.layers est utilisé pour la méthode abstraite afin que vous puissiez personnaliser les couches des réseaux de neurones.
Tf.estimator : - l'API la plus couramment utilisée dans tensorflow est le tf.estimator. Il aide à créer et à former, tester votre modèle.
Installation de Tensorflow
- Vérifiez d'abord votre version pip, si ce n'est pas la dernière, puis exécutez la commande suivante pour mettre à niveau pip
installation de pip - mise à niveau pip
- Exécutez le code ci-dessous pour installer la version plus simple de Tensorflow
pip install tensorflow / conda install tensorflow (Anaconda)
- Cela installera Tensorflow avec les configurations prises en charge par GPU.
pip installer Tensorflow-gpu
Exemple de tf.estimator pour utiliser le classificateur par 3 lignes de code
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)
Types de données de base de Tensorflow
Les types de données de base dans Tensorflow Framework (Tensors)
Ci-dessous montre chaque dimension des tenseurs.
- Scalaire - O Dimensional Array
- Vecteur - 1, dimensionnel, tableau
- Matrice - Réseau bidimensionnel
- Tenseur 3D - Réseau tridimensionnel
- Tenseur N - D - Réseau N-dimensionnel
Tenseurs constantes
Variables
Classe tf.Variable, pour créer une variable dans tensorflow et appeler la fonction tf.get_variable
Initialisation des variables
Pour initialiser les variables, En appelant tf.global_variables_initializer nous pouvons initialiser toutes les variables.
Un exemple simple de variable et d'expression mathématique
Voie normale
a = 3, 0, b = 8 * a +10
Manière Tensorflow
c = tf.Variable (tf.add (tf.multiply (X, a), b)
Graphiques
Chaque ligne de notre code écrite en tensorflow est convertie en un graphique sous-jacent
Exemple:
- Nœuds: il représente des opérations mathématiques.
- Bords: il représente le tableau multidimensionnel (tenseurs) et montre comment ils communiquent entre eux.
Tensorflow 2.0
- Dans la deuxième version de Tensorflow, ils se sont concentrés sur la simplification et la convivialité de l'API.
- Les composants de l'API s'intègrent mieux avec Keras, par défaut, le mode d'exécution impatient est activé.
- Mode désireux: l'exécution désirée est une interface d'exécution où les opérations sont exécutées immédiatement lorsqu'elles sont appelées à partir de Python.
- Nous pouvons utiliser le mode avide au lieu du mode graphique. Nous pouvons calculer ce dont nous avons besoin pour calculer et nous pouvons obtenir des résultats immédiatement. Cela rendra Tensorflow aussi simple que Pytorch
- Se concentrer sur la suppression des API de duplication.
Keras
- Tensorflow fournit une API de haut niveau pour la création et la formation de modèles d'apprentissage en profondeur. Ce n'était pas inclus dans tensorflow mais dans la dernière version, Keras a été inclus dans Tensorflow 2.0.
- Convivialité: Keras fournit une interface de cohérence simple pour les cas d'utilisation courants.
- Modulaire et composable: les modèles Keras sont créés en connectant des blocs de construction.
- Facile à étendre: créez ou mettez à jour de nouvelles couches, mesures, fonctions de perte
- Utilisez tf.keras pour utiliser les modèles Keras.
Tensorflow Lite
- En 2017, Google a annoncé un logiciel spécialement conçu pour le développement mobile, Tensorflow Lite.
- Tensorflow Lite (TFLite) est une solution légère pour l'inférence sur appareil mobile.
- Nous pouvons également l'utiliser pour IOS et Android en créant l'API C ++, ainsi que la classe wrapper Java pour les développeurs Android.
Liste des algorithmes pris en charge par Tensorflow
1. Pour la régression
- Régression linéaire (tf.estimator. Régression linéaire)
- Booster tree Regression (tf.estimator. Boosted Tree Regressor)
2. Pour la classification
- Classification (tf.estimator. Linear Classifier)
- Deep Learning Combined (tf.estimator. DNNLinearCombinedClassifier)
- Classificateur d'arbre boosté (tf.estimator. Classificateur d'arbre boosté)
Caractéristiques de Tensorflow
- Tensorflow fonctionne efficacement avec différents types d'expressions mathématiques impliquant des tableaux multidimensionnels (tenseurs)
- Il prend également en charge les réseaux de neurones d'apprentissage en profondeur et d'autres concepts d'apprentissage automatique.
- Tensorflow peut fonctionner sur plusieurs CPU et GPU.
- Il fournit également sa propre puissance de traitement qui est l'unité de traitement du tenseur.
Unité de traitement des tenseurs (TPU)
- Google a annoncé son unité de traitement Tensor (TPU), un circuit intégré spécifique à l'application (puce matérielle), spécialement conçu pour l'apprentissage automatique et adapté à Tensorflow.
- En 2017, Google a annoncé la deuxième version de Tensorflow, ainsi que la disponibilité des TPU dans google cloud.
- TPU est un accélérateur d'IA programmable et conçu pour utiliser ou exécuter des modèles. Google exécute des TPU dans ses centres de données pendant plus d'un an.
Edge TPU
- Edge TPU est une puce conçue pour les googles conçus et exécutés avec les modèles d'apprentissage automatique (ML) Tensorflow Lite pour fonctionner sur de petits appareils informatiques tels que les smartphones.
- Haute évolutivité pour calculer d'énormes ensembles de données
- Il peut également former et servir des modèles dans un modèle vivant. Réécriture du code non requise
Conclusion - Tensorflow Basics
Tensorflow est une bibliothèque d'apprentissage en profondeur très utilisée. Cela est principalement utilisé dans la création de réseaux de neurones, également utilisés par les startups, les grandes entreprises.
Comme indiqué ci-dessus, Google utilise également tensorflow à des fins internes, qu'il utilise toujours dans la plupart des types de produits comme Gmail et le moteur de recherche Google.
Articles recommandés
Ceci est un guide des principes de base de Tensorflow. Nous discutons ici de l'installation de Tensorflow avec les fonctionnalités et la liste des algorithmes pris en charge par Tensorflow. Vous pouvez également consulter l'article suivant pour en savoir plus -
- Qu'est-ce que TensorFlow?
- Alternatives à TensorFlow
- Introduction à Tensorflow
- Comment installer TensorFlow
- Types de données C ++