TensorFlow คืออะไร? มันทำงานอย่างไร? การแนะนำ & Archiเทคเจอร์

มาเริ่มบทช่วยสอนนี้ด้วยการแนะนำ TensorFlow:

TensorFlow คืออะไร?

TensorFlow เป็นแพลตฟอร์มโอเพ่นซอร์สแบบครบวงจรสำหรับการสร้างแอปพลิเคชันการเรียนรู้ของเครื่อง เป็นไลบรารีคณิตศาสตร์เชิงสัญลักษณ์ที่ใช้การไหลของข้อมูลและการเขียนโปรแกรมแบบแยกความแตกต่างได้เพื่อดำเนินการงานต่างๆ ที่เน้นที่การฝึกอบรมและการอนุมานของเครือข่ายประสาทเทียมเชิงลึก ช่วยให้นักพัฒนาสามารถสร้างแอปพลิเคชันการเรียนรู้ของเครื่องโดยใช้เครื่องมือ ไลบรารี และทรัพยากรชุมชนต่างๆ

ปัจจุบัน ไลบรารีการเรียนรู้เชิงลึกที่มีชื่อเสียงที่สุดในโลกคือ GoogleTensorFlow ของ Google ผลิตภัณฑ์นี้ใช้เทคโนโลยีการเรียนรู้ของเครื่องในทุกผลิตภัณฑ์เพื่อปรับปรุงเครื่องมือค้นหา การแปล การใส่คำบรรยายภาพ หรือการแนะนำสินค้า

ตัวอย่างเทนเซอร์โฟลว์

เพื่อยกตัวอย่างที่เป็นรูปธรรม Google ผู้ใช้จะได้รับประสบการณ์การค้นหาที่รวดเร็วและแม่นยำยิ่งขึ้นด้วย AI หากผู้ใช้พิมพ์คำหลักในแถบการค้นหา Google ให้คำแนะนำเกี่ยวกับคำต่อไปที่อาจจะเหมาะสม

Google ต้องการใช้แมชชีนเลิร์นนิงเพื่อใช้ประโยชน์จากชุดข้อมูลขนาดใหญ่ของตน เพื่อมอบประสบการณ์ที่ดีที่สุดแก่ผู้ใช้ มีสามกลุ่มที่ใช้แมชชีนเลิร์นนิง:

นักวิจัย
นักวิทยาศาสตร์ข้อมูล
โปรแกรมเมอร์

พวกเขาทั้งหมดสามารถใช้ชุดเครื่องมือเดียวกันเพื่อทำงานร่วมกันและปรับปรุงประสิทธิภาพได้

Google พวกเขาไม่ได้มีแค่ข้อมูลธรรมดาๆ แต่พวกเขามีคอมพิวเตอร์ที่ใหญ่ที่สุดในโลก ดังนั้น TensorFlow จึงถูกสร้างขึ้นมาเพื่อรองรับการขยายขนาด TensorFlow เป็นไลบรารีที่พัฒนาโดย Google ทีม Brain Team เร่งงานวิจัยด้านการเรียนรู้ของเครื่องจักรและโครงข่ายประสาทเทียมเชิงลึก

ถูกสร้างขึ้นเพื่อทำงานบน CPU หรือ GPU หลายตัวและแม้แต่ระบบปฏิบัติการมือถือ และยังมีตัวห่อหุ้มหลายตัวในหลายภาษา เช่น Python, C++ or Java.

ประวัติความเป็นมาของ TensorFlow

เมื่อสองสามปีก่อน การเรียนรู้เชิงลึกเริ่มมีประสิทธิภาพเหนือกว่าอัลกอริธึมการเรียนรู้ของเครื่องอื่นๆ เมื่อได้รับข้อมูลจำนวนมหาศาล Google พบว่าสามารถใช้โครงข่ายประสาทเทียมเชิงลึกเหล่านี้เพื่อปรับปรุงบริการของตนได้:

Gmail
ภาพถ่าย
Google เครื่องมือค้นหา

พวกเขาสร้างกรอบการทำงานที่เรียกว่า เทนเซอร์โฟลว์ เพื่อให้นักวิจัยและนักพัฒนาทำงานร่วมกันในโมเดล AI เมื่อพัฒนาและขยายขนาดแล้ว จะอนุญาตให้ผู้คนจำนวนมากใช้งานได้

ซอฟต์แวร์นี้เปิดตัวสู่สาธารณะครั้งแรกในช่วงปลายปี 2015 ในขณะที่เวอร์ชันเสถียรแรกปรากฏในปี 2017 เป็นซอฟต์แวร์โอเพนซอร์สภายใต้ใบอนุญาต Apache Open Source คุณสามารถใช้งาน แก้ไข และแจกจ่ายเวอร์ชันที่แก้ไขแล้วได้โดยมีค่าธรรมเนียมโดยไม่ต้องจ่ายอะไรเพิ่มเติมให้กับ Apache Google.

ในบทช่วยสอนการเรียนรู้เชิงลึกเกี่ยวกับ TensorFlow ต่อไปนี้ เราจะเรียนรู้เกี่ยวกับสถาปัตยกรรม TensorFlow และการทำงานของ TensorFlow

TensorFlow ทำงานอย่างไร

TensorFlow ช่วยให้คุณสร้างกราฟและโครงสร้างการไหลของข้อมูลเพื่อกำหนดว่าข้อมูลจะเคลื่อนผ่านกราฟอย่างไรโดยรับอินพุตเป็นอาร์เรย์หลายมิติที่เรียกว่า Tensor ช่วยให้คุณสร้างผังงานของการดำเนินการที่สามารถดำเนินการกับอินพุตเหล่านี้ได้ โดยอินพุตจะอยู่ที่ปลายด้านหนึ่งและออกมาที่ปลายอีกด้านหนึ่งเป็นเอาต์พุต

TensorFlow Archiเทคเจอร์

สถาปัตยกรรม Tensorflow ทำงานเป็นสามส่วน:

ประมวลผลข้อมูลล่วงหน้า
สร้างโมเดล
ฝึกอบรมและประเมินแบบจำลอง

มันถูกเรียกว่า Tensorflow เนื่องจากรับอินพุตเป็นอาร์เรย์หลายมิติหรือที่เรียกว่า เทนเซอร์- คุณสามารถสร้างประเภท ผัง ของการดำเนินการ (เรียกว่ากราฟ) ที่คุณต้องการดำเนินการกับอินพุตนั้น อินพุตจะเข้าไปที่ปลายด้านหนึ่ง จากนั้นจะไหลผ่านระบบการดำเนินการหลาย ๆ อย่างและออกมาเป็นเอาต์พุตที่ปลายอีกด้านหนึ่ง

นี่คือสาเหตุที่เรียกว่า TensorFlow เพราะว่าเทนเซอร์จะไหลผ่านรายการการดำเนินการต่างๆ จากนั้นจึงออกสู่ด้านอื่น

Tensorflow สามารถทำงานได้ที่ไหน?

ฮาร์ดแวร์ TensorFlow และ ข้อกำหนดของซอฟต์แวร์ สามารถจำแนกได้เป็น

ขั้นตอนการพัฒนา: นี่คือตอนที่คุณฝึกฝนโหมด โดยปกติการฝึกอบรมจะทำบนเดสก์ท็อปหรือแล็ปท็อปของคุณ

Run Phase หรือ Inference Phase: เมื่อการฝึกอบรมเสร็จสิ้น Tensorflow สามารถทำงานได้บนแพลตฟอร์มต่างๆ มากมาย คุณสามารถรันมันได้

เดสก์ท็อปทำงานอยู่ Windows, macOS หรือลีนุกซ์
คลาวด์เป็นบริการบนเว็บ
อุปกรณ์เคลื่อนที่เช่น iOS และ Android

คุณสามารถฝึกใช้งานบนเครื่องหลายเครื่อง จากนั้นจึงรันบนเครื่องอื่นได้ เมื่อคุณมีโมเดลที่ได้รับการฝึกแล้ว

โมเดลนี้สามารถฝึกและใช้งานกับ GPU และ CPU ได้ โดย GPU ถูกออกแบบมาเพื่อใช้กับวิดีโอเกมโดยเฉพาะ ในช่วงปลายปี 2010 นักวิจัยจากมหาวิทยาลัยสแตนฟอร์ดพบว่า GPU ยังทำงานได้ดีมากในการดำเนินการเมทริกซ์และพีชคณิต ทำให้สามารถทำการคำนวณประเภทนี้ได้รวดเร็วมาก การเรียนรู้เชิงลึกอาศัยการคูณเมทริกซ์เป็นจำนวนมาก TensorFlow รวดเร็วมากในการคำนวณการคูณเมทริกซ์เนื่องจากเขียนด้วยภาษา C++- แม้ว่าจะมีการดำเนินการใน C++, TensorFlow สามารถเข้าถึงและควบคุมโดยภาษาอื่นเป็นหลัก Python.

สุดท้าย คุณลักษณะที่สำคัญของ TensorFlow ก็คือ TensorBoard ที่ เทนเซอร์บอร์ด ช่วยให้สามารถตรวจสอบสิ่งที่ TensorFlow กำลังทำอยู่ได้ทั้งแบบกราฟิกและแบบเห็นภาพ

ส่วนประกอบเทนเซอร์โฟลว์

เมตริกซ์

ชื่อของ Tensorflow ได้มาจากเฟรมเวิร์กหลักโดยตรง: เมตริกซ์- ใน Tensorflow การคำนวณทั้งหมดเกี่ยวข้องกับเทนเซอร์ เทนเซอร์คือก เวกเตอร์ or เมทริกซ์ ของ n มิติที่แสดงถึงข้อมูลทุกประเภท ค่าทั้งหมดในเทนเซอร์มีชนิดข้อมูลที่เหมือนกันกับค่าที่ทราบ (หรือทราบบางส่วน) รูปร่าง- รูปร่างของข้อมูลคือมิติของเมทริกซ์หรืออาเรย์

เทนเซอร์สามารถเริ่มต้นได้จากข้อมูลอินพุตหรือผลลัพธ์ของการคำนวณ ใน TensorFlow การดำเนินการทั้งหมดจะดำเนินการภายใน กราฟกราฟคือชุดการคำนวณที่เกิดขึ้นต่อเนื่อง การดำเนินการแต่ละอย่างเรียกว่า โหนดปฏิบัติการ และเชื่อมต่อถึงกัน

กราฟจะแสดงโครงร่างของการดำเนินการและการเชื่อมต่อระหว่างโหนด อย่างไรก็ตาม กราฟจะไม่แสดงค่า ขอบของโหนดคือเทนเซอร์ ซึ่งเป็นวิธีในการเติมข้อมูลลงในการดำเนินการ

กราฟ

TensorFlow ใช้เฟรมเวิร์กกราฟ กราฟจะรวบรวมและอธิบายการคำนวณแบบอนุกรมทั้งหมดที่ทำระหว่างการฝึกอบรม กราฟมีข้อดีหลายประการ:

มันถูกทำมาเพื่อใช้งานบน CPU หรือ GPU หลายตัวและแม้แต่ระบบปฏิบัติการมือถือ
ความสามารถในการพกพาของกราฟช่วยให้สามารถบันทึกการคำนวณไว้เพื่อใช้ในทันทีหรือในภายหลังได้ สามารถบันทึกกราฟไว้เพื่อดำเนินการในอนาคตได้
การคำนวณทั้งหมดในกราฟทำได้โดยการเชื่อมต่อเทนเซอร์เข้าด้วยกัน
- เทนเซอร์ประกอบด้วยโหนดและเอจ โหนดทำหน้าที่ดำเนินการทางคณิตศาสตร์และสร้างเอาต์พุตของจุดสิ้นสุด เอจจะอธิบายความสัมพันธ์ระหว่างอินพุต/เอาต์พุตระหว่างโหนด

เหตุใด TensorFlow จึงเป็นที่นิยม

TensorFlow เป็นไลบรารีที่ดีที่สุดเนื่องจากสร้างขึ้นมาเพื่อให้ทุกคนเข้าถึงได้ ไลบรารี TensorFlow รวม API ต่างๆ เพื่อสร้างสถาปัตยกรรมการเรียนรู้เชิงลึก เช่น CNN หรือ RNN TensorFlow ใช้การคำนวณแบบกราฟ ช่วยให้นักพัฒนามองเห็นการสร้างเครือข่ายประสาทเทียมด้วย Tensorboad เครื่องมือนี้มีประโยชน์ในการดีบักโปรแกรม ในที่สุด TensorFlow ถูกสร้างขึ้นมาเพื่อใช้งานในขอบเขตขนาดใหญ่ โดยทำงานบน CPU และ GPU

เทนเซอร์โฟลว์ที่tracts เป็นเฟรมเวิร์กการเรียนรู้เชิงลึกที่ได้รับความนิยมมากที่สุดบน GitHub เมื่อเทียบกับเฟรมเวิร์กอื่นๆ

TensorFlow Algorithms

ด้านล่างนี้เป็นอัลกอริทึมที่ TensorFlow รองรับ:

ปัจจุบัน TensorFlow 1.10 มี API ในตัวสำหรับ:

การถดถอยเชิงเส้น: tf.estimator.LinearRegressor
การจำแนกประเภท:tf.estimator.LinearClassifier
การจำแนกการเรียนรู้เชิงลึก: tf.estimator.DNNClassifier
การเรียนรู้เชิงลึกเช็ดและลึก: tf.estimator.DNNLinearCombinedClassifier
การถดถอยของแผนผังบูสเตอร์: tf.estimator.BoostedTreesRegressor
การจำแนกต้นไม้แบบบูสต์: tf.estimator.BoostedTreesClassifier

การคำนวณทำงานอย่างไรใน TensorFlow

import numpy as np
import tensorflow as tf

ในโค้ดสองบรรทัดแรก เราได้นำเข้า tensorflow เป็น tf กับ Pythonเป็นเรื่องปกติที่จะใช้ชื่อย่อสำหรับห้องสมุด ข้อดีคือหลีกเลี่ยงการพิมพ์ชื่อเต็มของห้องสมุดเมื่อเราจำเป็นต้องใช้ ตัวอย่างเช่น เราสามารถนำเข้า tensorflow เป็น tf และเรียก tf เมื่อเราต้องการใช้ฟังก์ชัน tensorflow

มาฝึกฝนเวิร์กโฟลว์เบื้องต้นของ TensorFlow ด้วยตัวอย่าง TensorFlow ง่ายๆ กัน มาสร้างกราฟเชิงคำนวณที่คูณตัวเลขสองตัวเข้าด้วยกัน

ในตัวอย่าง เราจะคูณ X_1 และ X_2 เข้าด้วยกัน Tensorflow จะสร้างโหนดเพื่อเชื่อมต่อการดำเนินการ ในตัวอย่างของเรา เรียกว่าการคูณ เมื่อกำหนดกราฟแล้ว เอ็นจิ้นการคำนวณของ Tensorflow จะคูณ X_1 และ X_2 เข้าด้วยกัน

การคำนวณทำงานใน TensorFlow — ตัวอย่างเทนเซอร์โฟลว์

สุดท้ายนี้ เราจะเรียกใช้เซสชัน TensorFlow ที่จะเรียกใช้กราฟการคำนวณที่มีค่า X_1 และ X_2 และพิมพ์ผลลัพธ์ของการคูณ

มากำหนดโหนดอินพุต X_1 และ X_2 กัน เมื่อเราสร้างโหนดใน Tensorflow เราต้องเลือกประเภทของโหนดที่จะสร้าง โหนด X1 และ X2 จะเป็นโหนดตัวยึด ตัวยึดตำแหน่งจะกำหนดค่าใหม่ทุกครั้งที่เราทำการคำนวณ เราจะสร้างพวกมันเป็นโหนดตัวยึดจุด TF

ขั้นตอนที่ 1: กำหนดตัวแปร

X_1 = tf.placeholder(tf.float32, name = "X_1")
X_2 = tf.placeholder(tf.float32, name = "X_2")

เมื่อเราสร้างโหนดตัวแทน เราจะต้องส่งประเภทข้อมูลที่จะบวกตัวเลขเข้าไปที่นี่เพื่อให้เราสามารถใช้ประเภทข้อมูลจุดลอยตัวได้ ลองใช้ tf.float32 กัน เราต้องตั้งชื่อโหนดนี้ด้วย ชื่อนี้จะปรากฏขึ้นเมื่อเราดูการแสดงภาพกราฟิกของโมเดลของเรา มาตั้งชื่อโหนดนี้ว่า X_1 โดยส่งพารามิเตอร์ชื่อ name พร้อมค่า X_1 แล้วมากำหนด X_2 ด้วยวิธีเดียวกัน X_2

ขั้นตอนที่ 2: กำหนดการคำนวณ

multiply = tf.multiply(X_1, X_2, name = "multiply")

ตอนนี้เราสามารถกำหนดโหนดที่จะดำเนินการคูณได้แล้ว ใน Tensorflow เราสามารถทำได้โดยการสร้างโหนด tf.multiply

เราจะส่งผ่านโหนด X_1 และ X_2 ไปยังโหนดการคูณ โดยจะสั่งให้เทนเซอร์โฟลว์เชื่อมโยงโหนดเหล่านั้นในกราฟการคำนวณ ดังนั้นเราจึงขอให้ดึงค่าจาก x และ y แล้วคูณผลลัพธ์ เรามาตั้งชื่อการคูณให้กับโหนดการคูณด้วย มันคือคำจำกัดความทั้งหมดสำหรับกราฟคำนวณอย่างง่ายของเรา

ขั้นตอนที่ 3: ดำเนินการ

ในการดำเนินการกับกราฟ เราต้องสร้างเซสชัน ใน Tensorflow ทำได้โดยใช้ tf.Session() ตอนนี้เรามีเซสชันแล้ว เราสามารถขอให้เซสชันดำเนินการกับกราฟการคำนวณของเราได้โดยเรียกใช้ session หากต้องการเรียกใช้การคำนวณ เราต้องใช้ run

เมื่อดำเนินการบวก ระบบจะตรวจพบว่าจำเป็นต้องดึงค่าของโหนด X_1 และ X_2 ดังนั้น เราจึงต้องป้อนค่าของ X_1 และ X_2 ด้วย เราทำได้โดยการป้อนพารามิเตอร์ที่เรียกว่า feed_dict เราส่งค่า 1,2,3, 1, 4,5,6 สำหรับ X_2 และ XNUMX, XNUMX, XNUMX สำหรับ X_XNUMX

เราพิมพ์ผลลัพธ์ด้วยการพิมพ์(ผลลัพธ์) เราควรเห็น 4, 10 และ 18 สำหรับ 1×4, 2×5 และ 3×6

X_1 = tf.placeholder(tf.float32, name = "X_1")
X_2 = tf.placeholder(tf.float32, name = "X_2")

multiply = tf.multiply(X_1, X_2, name = "multiply")

with tf.Session() as session:
    result = session.run(multiply, feed_dict={X_1:[1,2,3], X_2:[4,5,6]})
    print(result)

[ 4. 10. 18.]

ตัวเลือกในการโหลดข้อมูลลงใน TensorFlow

ขั้นตอนแรกก่อนการฝึกก เครื่องอัลกอริทึมการเรียนรู้ คือการโหลดข้อมูล การโหลดข้อมูลมีสองวิธีทั่วไป:

1. โหลดข้อมูลลงในหน่วยความจำ: เป็นวิธีที่ง่ายที่สุด คุณโหลดข้อมูลทั้งหมดของคุณลงในหน่วยความจำเป็นอาร์เรย์เดียว คุณสามารถเขียนก Python รหัส. บรรทัดโค้ดนี้ไม่เกี่ยวข้องกับ Tensorflow

2. ไปป์ไลน์ข้อมูล Tensorflow:Tensorflow มี API ในตัวที่ช่วยให้คุณโหลดข้อมูล ดำเนินการ และป้อนอัลกอริทึมการเรียนรู้ของเครื่องได้อย่างง่ายดาย วิธีนี้ใช้ได้ผลดีมาก โดยเฉพาะอย่างยิ่งเมื่อคุณมีชุดข้อมูลขนาดใหญ่ ตัวอย่างเช่น ทราบกันดีว่าระเบียนภาพมีขนาดใหญ่มากและไม่พอดีกับหน่วยความจำ ไพลน์ไลน์ข้อมูลจะจัดการหน่วยความจำด้วยตัวเอง

จะใช้โซลูชั่นอะไร?

โหลดข้อมูลในหน่วยความจำ

หากชุดข้อมูลของคุณไม่ใหญ่เกินไป เช่น น้อยกว่า 10 กิกะไบต์ คุณสามารถใช้วิธีแรกได้ ข้อมูลสามารถใส่ลงในหน่วยความจำได้ คุณสามารถใช้ไลบรารีชื่อดังชื่อ Pandas เพื่อนำเข้าไฟล์ CSV คุณจะได้เรียนรู้เพิ่มเติมเกี่ยวกับแพนด้าในบทช่วยสอนถัดไป

โหลดข้อมูลด้วยไปป์ไลน์ Tensorflow

วิธีที่สองทำงานได้ดีที่สุดถ้าคุณมีชุดข้อมูลขนาดใหญ่ ตัวอย่างเช่น หากคุณมีชุดข้อมูล 50 กิกะไบต์ และคอมพิวเตอร์ของคุณมีหน่วยความจำเพียง 16 กิกะไบต์ เครื่องก็จะเสียหาย

ในสถานการณ์นี้ คุณต้องสร้างไปป์ไลน์ Tensorflow ไปป์ไลน์จะโหลดข้อมูลเป็นชุดหรือชิ้นเล็กๆ แต่ละชุดจะถูกผลักเข้าสู่ท่อและเตรียมพร้อมสำหรับการฝึกอบรม การสร้างไปป์ไลน์เป็นโซลูชันที่ยอดเยี่ยมเพราะช่วยให้คุณใช้การประมวลผลแบบขนานได้ หมายความว่า Tensorflow จะฝึกโมเดลกับ CPU หลายตัว ส่งเสริมการคำนวณและอนุญาตให้ฝึกอบรมโครงข่ายประสาทเทียมอันทรงพลัง

คุณจะเห็นในบทช่วยสอนถัดไปเกี่ยวกับวิธีสร้างไปป์ไลน์ที่สำคัญเพื่อป้อนเครือข่ายประสาทเทียมของคุณ

โดยสรุป หากคุณมีชุดข้อมูลขนาดเล็ก คุณสามารถโหลดข้อมูลในหน่วยความจำด้วยไลบรารี Pandas ได้

หากคุณมีชุดข้อมูลขนาดใหญ่และต้องการใช้ CPU หลายตัว คุณจะทำงานกับไปป์ไลน์ Tensorflow ได้อย่างสะดวกสบายมากขึ้น

วิธีสร้างไปป์ไลน์ TensorFlow

ขั้นตอนในการสร้างไปป์ไลน์ TensorFlow มีดังนี้

ในตัวอย่างก่อนหน้านี้ เราได้เพิ่มค่าสามค่าสำหรับ X_1 และ X_2 ด้วยตนเอง ตอนนี้เราจะดูวิธีการโหลดข้อมูลไปยัง Tensorflow:

ขั้นตอนที่ 1) สร้างข้อมูล

ก่อนอื่น ลองใช้ไลบรารี numpy เพื่อสร้างค่าสุ่มสองค่า

import numpy as np
x_input = np.random.sample((1,2))
print(x_input)

[[0.8835775 0.23766977]]

ขั้นตอนที่ 2) สร้างตัวยึดตำแหน่ง

เช่นเดียวกับในตัวอย่างก่อนหน้านี้ เราสร้างตัวยึดตำแหน่งด้วยชื่อ X เราจำเป็นต้องระบุรูปร่างของเมตริกซ์อย่างชัดเจน ในกรณีที่เราจะโหลดอาร์เรย์ที่มีค่าเพียงสองค่าเท่านั้น เราสามารถเขียนรูปร่างเป็น shape=[1,2]

# using a placeholder
x = tf.placeholder(tf.float32, shape=[1,2], name = 'X')

ขั้นตอนที่ 3) กำหนดวิธีชุดข้อมูล

ต่อไป เราต้องกำหนดชุดข้อมูลที่เราสามารถเติมค่าของตัวยึด x ได้ เราจำเป็นต้องใช้วิธี tf.data.Dataset.from_tensor_slices

dataset = tf.data.Dataset.from_tensor_slices(x)

ขั้นตอนที่ 4) สร้างไปป์ไลน์

ในขั้นตอนที่สี่ เราจำเป็นต้องเริ่มต้นไปป์ไลน์ที่ข้อมูลจะไหล เราจำเป็นต้องสร้างตัววนซ้ำด้วย make_initializable_iterator เราตั้งชื่อมันว่าตัววนซ้ำ จากนั้นเราจำเป็นต้องเรียกตัววนซ้ำนี้เพื่อป้อนข้อมูลชุดถัดไป get_next เราตั้งชื่อขั้นตอนนี้ว่า get_next โปรดทราบว่าในตัวอย่างของเรา มีข้อมูลเพียงชุดเดียวที่มีค่าเพียงสองค่าเท่านั้น

iterator = dataset.make_initializable_iterator() 
get_next = iterator.get_next()

ขั้นตอนที่ 5) ดำเนินการ

ขั้นตอนสุดท้ายจะคล้ายกับตัวอย่างก่อนหน้า เราเริ่มเซสชันและเรียกใช้ตัววนซ้ำการดำเนินการ เราป้อนค่าที่สร้างโดย feed_dict ลงใน มึน- ค่าทั้งสองนี้จะเติมตัวยึดตำแหน่ง x จากนั้นเรารัน get_next เพื่อพิมพ์ผลลัพธ์

with tf.Session() as sess:
    # feed the placeholder with data
    sess.run(iterator.initializer, feed_dict={ x: x_input }) 
    print(sess.run(get_next)) # output [ 0.52374458  0.71968478]

[0.8835775  0.23766978]

สรุป

TensorFlow ความหมาย: TensorFlow เป็นห้องสมุดการเรียนรู้เชิงลึกที่มีชื่อเสียงที่สุดในช่วงไม่กี่ปีที่ผ่านมา ผู้ปฏิบัติงานที่ใช้ TensorFlow สามารถสร้างโครงสร้างการเรียนรู้เชิงลึกใดๆ ได้ เช่น CNN, RNN หรือโครงข่ายประสาทเทียมแบบธรรมดา
TensorFlow ส่วนใหญ่ถูกใช้งานโดยนักวิชาการ สตาร์ทอัพ และบริษัทขนาดใหญ่ Google ใช้ TensorFlow ในเกือบทุกกรณี Google ผลิตภัณฑ์ที่ใช้ในชีวิตประจำวัน ได้แก่ Gmailภาพถ่ายและ Google เครื่องมือค้นหา.
Google ทีม Brain พัฒนา TensorFlow ขึ้นมาเพื่อเชื่อมช่องว่างระหว่างนักวิจัยและนักพัฒนาผลิตภัณฑ์ ในปี 2015 พวกเขาเปิดตัว TensorFlow สู่สาธารณะ และได้รับความนิยมอย่างรวดเร็ว ปัจจุบัน TensorFlow เป็นไลบรารีสำหรับการเรียนรู้เชิงลึกที่มีคลังเก็บโค้ดมากที่สุดบน GitHub
ผู้ปฏิบัติงานใช้ Tensorflow เนื่องจากง่ายต่อการปรับใช้ในวงกว้าง มันถูกสร้างขึ้นเพื่อทำงานในคลาวด์หรือบนอุปกรณ์พกพาเช่น iO และ Android.

Tensorflow ทำงานในเซสชัน แต่ละเซสชันถูกกำหนดโดยกราฟที่มีการคำนวณที่แตกต่างกัน ตัวอย่างง่ายๆ คือการคูณตัวเลข ใน Tensorflow จำเป็นต้องมีสามขั้นตอน:

กำหนดตัวแปร

X_1 = tf.placeholder(tf.float32, name = "X_1")
X_2 = tf.placeholder(tf.float32, name = "X_2")

กำหนดการคำนวณ

multiply = tf.multiply(X_1, X_2, name = "multiply")

ดำเนินการการดำเนินการ

with tf.Session() as session:
result = session.run(multiply, feed_dict={X_1:[1,2,3], X_2:[4,5,6]})
print(result)

แนวทางปฏิบัติทั่วไปอย่างหนึ่งใน Tensorflow คือการสร้างไปป์ไลน์เพื่อโหลดข้อมูล หากคุณทำตามห้าขั้นตอนเหล่านี้ คุณจะสามารถโหลดข้อมูลไปยัง TensorFlow ได้:

สร้างข้อมูล

import numpy as np
x_input = np.random.sample((1,2))
print(x_input)

สร้างตัวยึดตำแหน่ง

x = tf.placeholder(tf.float32, shape=[1,2], name = 'X')

กำหนดวิธีชุดข้อมูล

dataset = tf.data.Dataset.from_tensor_slices(x)

สร้างไปป์ไลน์

iterator = dataset.make_initializable_iterator() get_next = iterator.get_next()

รันโปรแกรม

with tf.Session() as sess:  
sess.run(iterator.initializer, feed_dict={ x: x_input })  
print(sess.run(get_next))

TensorFlow คืออะไร? มันทำงานอย่างไร? การแนะนำ & Archiเทคเจอร์