Kako namestiti TensorFlow
V tem članku o namestitvi tensorflow bi najprej dobili splošni pregled TensorFlow in njegove uporabe v ekosistemu Data Science, nato pa bi namestili TensorFlow za Windows.
Kaj je TensorFlow?
TensorFlow je programska aplikacija, priljubljena za izvajanje algoritmov strojnega učenja, zlasti nevronskih mrež. Razvil jo je Google, leta 2015 pa jo je odprla kot platformo z odprtimi kodami. Lahko bi zgradili blok blokov operacij, ki jih želimo izvesti na tem vhodu, tj. Podatek gre na enem koncu in se nato pretaka skozi ta sistem operacij, drugi konec pa izide kot izhod. TensorFlow je priljubljen zaradi svoje izjemno vsestranskosti. Lahko se izvaja na različnih platformah, kot so namizje ali oblak ali v mobilni napravi. Vse to bi lahko storili z enim samim API-jem. Lahko bi ga trenirali na več strojih, nato pa bi ga lahko vodili na drugem stroju. TensorFlow je zelo hiter, saj je napisan v jeziku C ++, do njega pa lahko dostopate in nadzorujete v drugih jezikih, predvsem Python-u. Druga velika značilnost TensorFlow je TensorBoard, ki nam omogoča grafično in vizualno spremljanje dela TensorFlow. Nekdo, ki ga zanima strojno učenje, zlasti nevronske mreže, bi se moral naučiti TensorFlow.
Graf podatkovnega toka Arhitektura TensorFlow
Graf pretoka podatkov ima dve osnovni enoti: vozlišče, ki predstavlja matematično operacijo, in rob, ki služi večdimenzionalnemu nizu, znan kot tenzorji. Torej, ta abstrakcija na visoki ravni prikazuje, kako se podatki pretakajo med operacijami. Ko je graf ustvarjen, se zapiše notranja zanka za pogon računanja. Vhodi se napajajo v vozlišča prek spremenljivk ali imetnikov mest. V TensorFlowu se izračuni izvajajo šele po ustvarjanju seje.
Zakaj je pri poglobljenem učenju prednost TensorFlow? 
Globoko učenje je del strojnega učenja, ki se funkcije in naloge uči neposredno iz podatkov. Podatki so lahko slike, besedilo ali zvok. Pogosto ga označujejo kot učenje od konca do konca. Nevronska mreža je sinonim za nevrone v naših možganih. V zgornjem diagramu podatki prihajajo iz vhodne plasti in tečejo čez skrite plasti, kjer se opravijo vsi izračuni in nato preidejo na izhodni sloj. Več skritih predvajalnikov tvori globoko nevronsko mrežo, medtem ko en sam sloj tvori plitvo nevronsko mrežo
- TensorFlow ima široko vgrajeno podporo za globinsko učenje in nevronske mreže, zato je enostavno sestaviti mrežo, dodeliti parametre in zagnati proces usposabljanja.
- Obstajajo trajnostne matematične funkcije, ki so uporabne za nevronske mreže. Vsak algoritem strojnega učenja, ki temelji na gradientu, bo imel koristi od samodejne diferenciacije in nabora prvovrstnih optimizatorjev podjetja TensorFlow.
- TensorFlow je zaradi svoje obsežne zbirke prilagodljivih orodij združljiv z različnim strojnim učenjem.
- Globoko nevronsko omrežje obravnava bolj zapleteno vedenje, pri katerem se vsak vhod obdeluje z aktivacijskimi funkcijami, kot so Hyperbolic Tangent, Logistic function itd. Izbira funkcije aktiviranja vpliva na vedenje omrežja, TensorFlow pa daje nadzor nad strukturo omrežja.
- TensorFlow bi lahko uporabili tudi pri izdelavi preprostih linijskih in nelinearnih modelov.
Koraki za namestitev sistema TensorFlow
Namestitveni del bo sestavljen iz dveh delov: -
- Namestitev Anakonde
- Nastavitev sistema TensorFlow s pozivom Anaconda.
1. del: Namestite Anaconda v sistem Windows
Anaconda je sveženj nekaterih priljubljenih programov python in ima upravitelja paketov imenovan conda (podobno kot pip). Nekateri priljubljeni paketi anakonde so: numpy, scipy, Jupiter, nltk, scikit-learn itd. Če imate v oknih nameščen Python, potem za namestitev vseh teh paketov morate zagnati pip, če pa namestite anakondo, vse te pakete dobiš na enem posnetku.
Spodaj je opisano, kako namestiti Anacondo na okna. Python 3.7 ne podpira TensorFlow, zato bomo za Python 3.6 uporabili Anacondo.
- Prenesite namestitveni program Anaconda za Python 3.6 od tu - https://drive.google.com/open?id=12BLpz3wzsyI0kFcMgv0SGPj__0op-JJs
- Ko je namestitveni program prenesen, ga dvokliknite in izberite Naprej.
- V naslednjem oknu kliknite Strinjam se.
- Izberite Vsi uporabniki in kliknite Naprej.
- Izberite Namestitev lokacije, kot se vam zdi primerno, in kliknite Naprej.
- V naslednjem oknu potrdite polje »Registriraj Anacondo kot sistemski Python 3.6« in kliknite Namestitev.
- Namestitev je v teku.
- Naj se namestitev nadaljuje in ko končate, kliknite Naprej, da jo dokončate. Nato pojdite na spremenljivke okolja v oknih, da nastavite pot.
- Kliknite Novo in dodajte mapo Skripti, kjer ste namestili Anacondo, in kliknite V redu.
- Zdaj pojdite na iskalno vrstico sistema Windows in vnesite poziv Anaconda. Dvokliknite aplikacijo in vnesite conda –verzijo, da potrdite njeno namestitev.
2. del: Nastavitev namestitve TensorFlow s pozivom Anaconda
- Pojdite na poziv Anaconda in vnesite conda create -n myenv python = 3, 6 in pritisnite Enter.
- Pritisnite Y in pritisnite Enter. Ustvaril bo ločeno okolje za namestitev TensorFlow
- Vnesite conda activate myenv in vnesite Enter za vstop v okolje.
- Ko ste v okolju, vnesite naslednje za seboj
- conda namestite jupyter
- conda namestite scipy
- namestitev pipov - nadgradite tensorflow
- Ko to storite, vtipkajte python in vnesite vrste tensorflow. Če ni napake, potem je namestitev TensorFlow uspešno.
Praktične aplikacije TensorFlow
V zadnjih nekaj letih je globoko učenje postalo bistvo skoraj vsakega večjega računalniškega preboja. To je že v mnogih naših dnevnih izdelkih, kot so prilagojena priporočila Netflix in Amazon, filtriranje neželene pošte in celo naša interakcija z osebnimi asistenti, kot sta Apple Siri ali Microsoft Cortana.
Vendar pa od te raziskave ne koristijo le znanstvene aplikacije. Ljudje iz drugih strok prav tako začenjajo raziskovati, kako se lahko uporablja poglobljeno učenje v primerih, kot je zaznavanje predmetov (kot je prikazano na sliki). Računalnik uči prepoznati predmet na sliki in nato to znanje uporabiti za usmerjanje novih vedenj.
Najnovejši trendi TensorFlowa
TensorFlow je nedavno izdal svojo različico 1.12.0, v kateri je nekaj večjih izboljšav: -
- Kerasov model je mogoče neposredno izvoziti v format SavedModel in ga uporabljati z vzmetjo TensorFlow.
- Dvojniki so zgrajeni s podporo XLA in Keras modele je zdaj mogoče oceniti s tf.data.Dataset.
- Za dodajanje / vžig je dodan nabor podatkov Ignite, ki omogoča delo z Apache Ignite.
Priporočeni članki
To je vodnik o tem, kako namestiti TensorFlow Tu smo razpravljali o navodilih in različnih korakih za namestitev TensorFlow. Če želite izvedeti več, si oglejte tudi naslednji članek -
- Razlike med TensorFlowom in Caffe
- Primerjava Tensorflowa in Pytorcha
- Poklic v poglobljenem učenju
- PowerShell vs Python - razlike
- Uvod v igrišče TensorFlow