Tutoriel Python Tensorflow

Un logiciel de programmation nommé TensorFlow est conçu pour créer des applications en profondeur et d'apprentissage machine. Les tenseurs ont la fonctionnalité des structures multidimensionnelles qui contiennent des données. Les bibliothèques TensorFlow prennent en charge JavaScript et Python. Tensorflow, qui a été créé par Google, est actuellement une approche open source des problèmes de ML et d'IA relatifs aux mégadonnées. C'est un système flexible, surtout compte tenu de sa capacité à fonctionner simultanément sur les appareils mobiles, les GPU et les CPU.

L'avenir détient une croissance énorme pour la technologie Tensorflow. Il est entièrement considéré comme la direction de la modélisation d'apprentissage en profondeur. Il est utilisé à des fins scientifiques par plusieurs entreprises prestigieuses. Ils sont mieux réputés pour participer à de grandes entreprises, à la recherche et en particulier aux produits Google. Même ils ont commencé à utiliser des appareils mobiles et le cloud pour leurs tâches.

Les parties essentielles de Tensorflow sont des tenseurs. Les structures de données de base de la langue TensorFlow sont représentées comme une collection ou une liste multidimensionnelle. Les bords de connexion de tous les diagrammes de flux sont des tenseurs, qui sont appelés le graphique de flux de données. Les tenseurs sont les connexions de liaison dans n'importe quel tableau d'écoulement, souvent connu sous le nom de graphique de flux de données. Les cartes multi-linéaires peuvent être n'importe quoi, y compris les espaces vectoriels et les nombres réels.

Un tenseur peut donc être un scalaire, un vecteur ou une matrice. Les applications Tensorflow sont souvent divisées en deux phases: construire en démantèlant un graphique et en exécution à l'aide d'une session. Cette session est bénéfique pour les personnes préoccupées par Python et axées sur le développement et la recherche en utilisant une variété d'algorithmes d'apprentissage automatique et d'apprentissage des données. Python est le seul langage que TensorFlow utilise. Avoir une forte compréhension de Python est donc nécessaire. Tensorflow peut être facilement compris si nous avons une compréhension de base des mathématiques fondamentales et des concepts d'IA.

Applications de TensorFlow

• Pour la détection vidéo, la méthode d'apprentissage en profondeur est utilisée. La détection de mouvement, la détection de danger en temps réel, la sécurité de l'aéroport et les champs d'interface utilisateur / UX l'utilisent.
• Les applications d'apprentissage en profondeur les plus connues impliquent une détection de voix et de son. La capacité des réseaux de neurones à reconnaître les signaux audio dépend de leur flux de données d'entrée.
• La reconnaissance d'image est également une application populaire de TensorFlow. La reconnaissance d'image est utilisée pour reconnaître et identifier les individus et les choses à partir de photographies. Le contexte et le contenu de toute image peuvent être compris via la reconnaissance d'image.
• Une autre approche d'apprentissage en profondeur bien apprécié utilise le texte comme entrée. Les applications textuelles incluent, par exemple, l'analyse de texte, les sites de réseautage social, l'identification des menaces et la détection de fraude.

Structure de Tensorflow

Plusieurs API qui tombent dans les catégories de bas niveau et de haut niveau aident à compenser les bibliothèques TensorFlow.

API TensorFlow de bas niveau: L'élément significatif de Tensorflow est son API centrale. Pour construire des applications d'apprentissage automatique efficaces, les développeurs ont combiné les programmes Python ou JavaScript en incorporant TensorFlow Core. Efficace, mais TensorFlow Core a une courbe d'apprentissage élevée. Toute personne travaillant avec Core doit être familiarisée avec les concepts de données fondamentaux et l'API Core qui composent TensorFlow.

API TensorFlow de haut niveau: Il s'agit notamment d'un ensemble de logiciels avancés et de bibliothèques qui utilisent TensorFlow. Certains aident à créer des modèles qui peuvent servir de principe principal d'un graphique. D'autres donnent une couche évolutive qui permet la personnalisation sans être entièrement formée avec TensorFlow. La courbe d'apprentissage pour la plupart de ces API est beaucoup plus accommodante, et elles sont souvent plus petites et plus fiables que l'API principale.

Caractéristiques de TensorFlow

Contrairement à d'autres plates-formes d'apprentissage en profondeur actuellement disponibles, TensorFlow propose une interface de programmation interactive et multiplateforme qui est évolutive et fiable. Nous avons un aspect bien connu concernant Tensorflow, qui comprend:

• Nous pouvons afficher tous les aspects du graphique, quels frameworks comme Numpy ou Scikit n'offrent pas. Pour concevoir des logiciels d'apprentissage en profondeur, vous devez d'abord avoir quelques composants et un langage de programmation.
• Il vous permet d'examiner chaque nœud ou opération en termes de son analyse indépendamment. Tensor Board utilise son tableau de bord pour voir comment il fonctionne via un graphique. Il propose des approches graphiques statistiques qui aident à un simple paradigme.
• La caractéristique principale de la bibliothèque d'apprentissage automatique est que toute personne ayant une connexion Internet peut l'utiliser car elle est open-source. Ainsi, en modifiant la bibliothèque, les utilisateurs peuvent créer un large éventail de services précieux.
• Le développement et la formation du modèle sont proposés sur CPU et GPU par TensorFlow. Le CPU et le GPU sont capables d'effectuer des calculs, et ils peuvent également être contrastés.
• En un mot, les colonnes de fonctionnalités de Tensorflow fonctionnent comme un lien entre les données d'entrée et notre réseau en fonctionnant comme intermédiaires entre les estimateurs et les données brutes.
• Tensorflow fournit un niveau d'abstraction particulier en raccourcissant la mise en œuvre et en accélérant le développement. L'utilisateur doit prêter attention à la logique plutôt qu'à la bonne manière de saisir les données dans les fonctions. L'utilisateur peut définir le modèle qui représente parfaitement les besoins du système.

Architecture TensorFlow

L'architecture de Tensorflow est complétée par plusieurs pièces internes supplémentaires.

Servables: L'unité abstraite utilisée par TensorFlow pour aider à fournir des tâches est connue sous le nom de service. Ce sont les composants principaux qui facilitent le calcul. Il offre un niveau élevé de personnalisation de dimensionnement et de résolution. Les composants d'un service TensorFlow peuvent aller d'un ensemble de tables à un tuple distinct avec des modèles API. Les servables peuvent avoir n'importe quelle forme d'interface, permettant la flexibilité et les progrès futurs.

• Connexions de l'API expérimentale
• Résultats en streaming
• Traitement des méthodologies asynchrones

Versions des servables: Cela permet de charger progressivement de nouvelles configurations d'algorithmes, des taux et d'autres données. De plus, ils permettent le chargement synchrone de nombreuses versions d'une expérimentation serviable et permettant un déploiement progressif.

TensorFlow Manager: Le manager suit toutes les versions tout en conservant les sources. Malgré les tentatives du manager, une version aspirée ne peut pas toujours être chargée. Une autre option pour les gestionnaires est de retarder un «déchargement.»Les gestionnaires de Tensorflow contrôlent le cycle de vie global d'un service, qui comprend le chargement, le déchargement et les services de service.

Tensorflow noyau: TensorFlow Core intègre des mesures de cycle de vie, et le noyau de service de TensorFlow accepte les servables et les chargeurs comme objets.

Cycle de vie de TensorFlow: Le gestionnaire charge et exécute les chargeurs que les sources ont développés pour les versions Servables. Après cela, ils sont livrés sous forme de versions aspirantes aux clients à mesure que les clients demandent. Pour charger le serviable, le chargeur a toutes les métadonnées requises. La source envoie la source au gestionnaire de la version aspirante via un rappel. Le gestionnaire implémente la politique de version actuelle pour que la prochaine action soit prise. Le gestionnaire ordonne au chargeur d'acquérir la version à jour et fournit les ressources requises s'ils le considèrent comme sûr.

Les clients peuvent demander la version la plus récente du service ou spécifier une version lorsque vous la demandez à la direction. Le gestionnaire redonne le manche de la serviable. Ensuite, le message de mémoire suffisant est informé par le gestionnaire dynamique du chargeur. Le Dynamic Manager répond avec une poignée à la version la plus récente de Servable lorsqu'un client demande une poignée pour le nouveau modèle.

Streams des servables: Il comprend plusieurs servables en divers types. Il est conservé dans une séquence d'itérations croissantes.

Chargeurs TensorFlow: La maintenance du cycle de vie de TensorFlow Servable se fait via l'API de chargeur TensorFlow. Il fournit une infrastructure partagée pour certains algorithmes.

TensorFlow Batcher: Lorsque les GPU et les accélérateurs matériels sont accessibles, les réponses TensorFlow par effraction dans une application unifiée peuvent réduire considérablement le coût de l'inférence de l'exécution. Un widget plus par lots est disponible dans le service TensorFlow, permettant aux clients de lancer leurs diverses requêtes d'inférence individuelles dans un lot de requête avec facilité pour effectuer efficacement cette opération.

Modèles TensorFlow: Une portion est un rendu d'un paradigme en un ou même plus de servables. Un service fonctionne également en tant que composant d'un modèle, de sorte qu'une grande table consultable peut être utilisée comme plusieurs instances.

Avantages TensorFlow

Open source: Il est accessible à tous les utilisateurs et préparé pour créer un système en raison de sa plate-forme open source.

Parallélisme: TensorFlow utilise les appareils GPU et CPU pour fonctionner. L'utilisateur peut utiliser l'une des dispositions par ses besoins. Si ce n'est pas spécifiquement indiqué, un système utilise un GPU. L'utilisation de la mémoire est quelque peu diminuée par cette technique. Tensorflow est considéré comme une bibliothèque de vitesse matérielle en raison de sa capacité.

Support architectural: Par rapport au CPU et au GPU, l'architecture TensorFlow intègre TPU pour accélérer l'opération. Contrairement aux deux autres, des modèles développés à l'aide de TPU peuvent être déployés sur des nuages ​​avec facilité.

Débogage: Nous pouvons acquérir et obtenir des données discrètes en raison de sa coopération dans l'exécution des sous-points d'un graphique en lui donnant l'avantage.

Évolutif: Cette plate-forme permet l'exécution de presque toutes les opérations. TensorFlow permet à ses utilisateurs de créer n'importe quel système en raison de sa capacité à être installée sur n'importe quelle machine et sa représentation de modèle graphique.

Support graphique: Tensorflow est utilisé pour le développement d'apprentissage en profondeur car il permet la construction de réseaux de neurones en utilisant des graphiques qui ont des nœuds pour les opérations. TensorFlow fonctionne dans divers domaines, y compris les séries chronologiques, la détection de mouvement, l'identification vocale et la reconnaissance de l'image, il peut donc être utilisé pour répondre aux besoins d'un utilisateur.

Tensorflow Inconvénients

Aucune prise en charge de la fenêtre: Malgré les nombreux avantages de Tensorflow, les utilisateurs de Windows ne peuvent atteindre qu'un nombre limité de ses fonctions. Les utilisateurs de Linux ont accès à une vaste gamme de capacités.

Dépendance: TensorFlow réduit la quantité de script et le rend plus simple pour les utilisateurs, mais il rend également le code plus complexe. Chaque code doit être effectué sur une plate-forme diversifiée à activer pour augmenter les dépendances de l'exécution.

Incohérence: Les homonymes sont utilisés dans les titres des modules de Tensorflow, ce qui rend difficile pour les utilisateurs de conserver et d'utiliser. Le problème vient de l'adoption d'un seul nom pour plusieurs contextes divers.

Vitesse: Tensorflow se déplace à un rythme lent par rapport à ses adversaires. Comparatif à d'autres cadres, il est moins utilisable.

Boucle symbolique: La fonctionnalité est plus essentielle lors de la discussion des séquences de longueur variable. Tensorflow n'inclut pas les fonctionnalités. Cependant, la superposition finie est la solution appropriée.

Comment installer Python TensorFlow dans Ubuntu 20.04

La bibliothèque Tensorflow est un logiciel open source pour l'apprentissage automatique et le développement de réseaux de neurones profonds. La bibliothèque TensorFlow peut être installée dans l'environnement virtuel de Python. Dans cet article, nous installons la bibliothèque TensorFlow, et toutes les instructions d'installation sont pour Ubuntu 20.04. Cependant, toutes les variantes Linux utilisent la même méthodologie pour installer la bibliothèque TensorFlow. Nous avons démontré chaque étape avec des commandes exécutées pour installer le package TensorFlow avec succès.

Étape 1: La première étape consiste à s'assurer que Python doit être installé dans Ubuntu 20.04. Nous pouvons vérifier la version Python en donnant à la commande «python3 -v». Comme nous avons déjà installé Python3, la version s'affiche à l'intérieur de l'image suivante:

Étape 2: Maintenant, nous sommes confirmés que Python est installé dans notre système. Ensuite, avancer avec l'étape suivante. Nous avons implémenté le package Venv à partir du package Python3-Venv, qui est la méthode préférée pour créer un environnement virtuel. Pour obtenir le module VENV, entrez la commande qui suit:

Étape 3: Nous avons réussi à installer le package Venv dans notre système. Maintenant, nous pouvons facilement créer un environnement virtuel pour le projet TensorFlow. Pour cela, nous avons créé le répertoire où nous voulons que notre environnement virtuel Python3 soit situé. Le directeur créé devrait avoir des privilèges de lecture et d'écriture pour les utilisateurs que vous souhaitez autoriser. Nous avons créé le répertoire «py_tensorflow», et avec la commande «cd», nous avons entré ce répertoire particulier.

Pour construire l'environnement virtuel à partir du module VENV, nous avons utilisé la commande suivante dans le répertoire PY_tensorflow. Ici, nous avons choisi le nom «Venv» pour notre environnement virtuel, mais cela peut être un nom différent. Cette commande a généré le répertoire Venv qui comprend des modules par défaut Python, PIP Package Manager, des copies de binaires Python et d'autres fichiers de support.

Nous avons entré notre environnement virtuel en activant le script Activate du format de commande suivant. Le répertoire de bac sera ajouté à la variable de chemin $ du système pour l'environnement virtuel après son activation. Le nom de l'environnement virtuel est désormais affiché dans l'invite du terminal, qui changera également. Comme nous avons sélectionné «Venv» pour notre environnement virtuel, il est donc montré, comme suit:

Maintenant, nous sommes au stade où nous pouvons installer le module TensorFlow. Nous devons mettre à niveau la version PIP avec la dernière version, qui est nécessaire pour installer la bibliothèque TensorFlow dans notre environnement virtuel. Le module PIP de notre environnement virtuel VENV actuel sera mis à niveau avec la commande suivante:

Nous avons réussi à mettre à niveau la version PIP, car l'invite le montre dans le snap pris par nous. Grâce à la commande de désactiver, nous pouvons quitter l'environnement virtuel chaque fois que nous voulons. La source active une commande qui peut être utilisée pour la revitaliser plus tard. En utilisant TensorFlow, nous vous suggérons de rester dans l'environnement virtuel. L'installation du module TensorFlow est maintenant prête à partir. Avec la commande PIP, nous avons installé la bibliothèque «Tensorflow». La commande suivante récupère la version stable la plus récente et les dépendances du package TensorFlow:

Alors que TensorFlow commence à l'installer, nous verrons une déclaration indiquant que l'installation de TensorFlow et de tout packages dépendants nécessaires ont réussi.

Types de données Python TensorFlow

TensorFlow prend en charge les types de données uniques. Nous allons passer par l'utilisation des types de données dans Tensorflow. Tensorflow accepte les types de données python natifs comme les chaînes, les booléens et les nombres (int, float). Numpy s'entend bien avec TensorFlow 2.x, aussi. Le type de données qui change entre Numpy et Tensor est correctement pris en charge. Les nombres 32 bits et 64 bits, ainsi que d'autres types de données, sont disponibles dans Python TensorFlow. Nous avons montré des types de données d'exemples d'un tenseur qui incluent:

Généralement, nous avons utilisé «dtype» pour acquérir le type de données de la valeur spécifiée. Les «DType» TensorFlow sont utilisés pour vérifier le type de données du tenseur actuel ou fournir la sortie de type de données pour les calculs qui en ont besoin.

Exemple

Tout d'abord, nous avons récupéré le type de données entier. Un type de données «int» fonctionne de manière similaire à d'autres modules. Il décrit une certaine gamme d'entiers en mathématiques. Des restrictions de taille différentes s'appliquent aux types de données intégrales et les valeurs négatives peuvent être autorisées ou non. Pour cela, nous avons fourni le Tensorflow comme «TF» et invoqué la constante qui prend la valeur numérique «3». Avec cela, nous avons appelé le «dtype». Lorsque nous appuyons sur Entrée pour l'instruction REPORD, le type de données «INT32» est exécuté. C'est ainsi que nous imprimons le type de données de toute valeur donnée.

Exemple

Dans l'instance suivante, nous avons vérifié le type de données du numéro décimal. À la constante (), nous avons passé le numéro décimal «1.5 ”et appelé le dtype. Lorsque nous exécutons ceci, le TF.float32 est affiché par le Python TensorFlow REP.

Exemple

Ensuite, nous avons affiché le type de données en passant le numéro imaginaire «2 + 2j», et TensorFlow DTYPE a renvoyé le type de données complexe128. Le type de données Complex128 représente les deux types de données de flottaison 64bits.

Exemple

Une chaîne est un type de données commun et utile pris en charge par chaque bibliothèque Python. Un type de données de chaîne se compose d'une collection de caractères. De même, Python TensorFlow a également le type de données de chaîne, que nous avons montré dans l'exemple suivant. Nous avons passé la chaîne «Hello World», et lors de l'exécution, le «TF.String ”est affiché dans la sortie.

Exemple

Le type de données booléen, fréquemment abrégé à bool, représente les valeurs vraies et fausses logiques. Ici, nous avons passé la valeur logique «vrai» pour l'opération de type de données, et elle a renvoyé le TF.valeur bool comme valeur de type de données. Cela signifie que ce type de données BOOL bien connu est également pris en charge dans Python TensorFlow.

Variables Python TensorFlow

La meilleure approche pour représenter l'état constant et constant avec lequel le programme travaille est d'utiliser une variable TensorFlow. Les tampons en mémoire contenant du tenseur servent de variables. Ils peuvent être sauvés sur le disque pendant et après l'entraînement mais doivent être initialisés manuellement. À travers le «TF.Classe variable », les variables sont générées et suivis. Il est possible de modifier une valeur du tenseur en implémentant les opérations représentées par la classe «TF.Variable". Nous pouvons lire et réviser les valeurs de ce tenseur en utilisant des opérations spécifiques.

Une fois qu'ils ont été construits, les variables et les formes ne peuvent pas être mises à jour. Regardons quelques exemples de formation variable à l'aide de TensorFlow.

Exemple

Nous avons un exemple ci-dessous où nous avons créé une variable Python TensorFlow qui affiche la forme, les dimensions, la taille et le type de données de la valeur transmise comme une entrée dans le constructeur variable (). Tout d'abord, nous avons importé le module TensorFlow avec l'alias «TF». Ensuite, nous définissons le nom de la variable comme «tenseur» et l'avons déclaré avec le constructeur variable ().

Au constructeur variable (), nous avons passé les deux valeurs numériques. Ensuite, nous avons imprimé la forme de la variable TensorFlow en invoquant le «TF.Forme »Objet. Après cela, nous avons imprimé la «dimension» de la variable en passant le «tenseur» au «TF.Méthode de rang »et a également invoqué la fonction numpy (). Ensuite, nous avons imprimé la taille de la variable en passant le «tenseur» dans la méthode de la taille, et enfin, nous avons obtenu le type de données à partir de la méthode DTYPE, qui est déjà discutée dans la section précédente.

Exemple

Grâce à l'utilisation du constructeur variable, nous comprenons comment établir une variable. Maintenant, nous devons modifier la forme de la variable en utilisant la nouvelle méthode Python TensorFlow appelée Reshape (). Cette méthode Reshape () prend la «forme» du paramètre et le nom de la variable. Maintenant, nous avons mis en œuvre l'exemple de la méthode de remodelage. Nous avons déclaré la variable «tenseur» et définissons la valeur pour le constructeur variable ().

Après cela, nous avons utilisé le «TF.Reshape () »Méthode et a passé la variable« tenseur »et la méthode de forme, qui a été définie avec la valeur à former pour les valeurs spécifiées dans le constructeur variable (). Ensuite, nous avons exécuté le programme précédent, qui a remodelé la forme variable. Le code et la sortie ont été fixés à l'image suivante:

Exemple

Maintenant, nous avons fait la diffusion des variables TensorFlow. Les variables plus petites peuvent élargir instantanément pour s'adapter aux plus grandes variables lorsque nous essayons d'exécuter des opérations appariées avec plusieurs objets variables, un peu comme nous le pouvons avec des objets tensor. Ceci est très comparable à la façon dont les tableaux numpy fonctionnent. Une variable scalaire est mise à l'échelle pour multiplier chaque membre de la variable lorsque vous cherchez à le multiplier avec une autre variable.

Nous devons importer le module TensorFlow car nous ne pouvons pas accéder à la variable TensorFlow. Après cela, nous avons déclaré le constructeur «variable ()» à l'intérieur de la variable «T1» et «T2». À la variable «T1», nous avons passé les deux valeurs numériques, qui doivent être multipliées par la valeur numérique de la variable «T1». Ensuite, dans l'objet «Résultat», nous avons multiplié les deux variables et montré les valeurs résultantes avec l'instruction PRINT. Le code et la sortie ont été fixés dans l'image suivante.

Exemple

Nous pourrions l'utiliser pour identifier la forme de matériel (un processeur) utilisé pour exécuter notre variable. Pour cela, le «.L'attribut de l'appareil est utilisé. Dans l'implémentation suivante, nous avons défini le nom de la variable «TF1» et attribué le constructeur variable à l'intérieur, qui a passé deux valeurs comme entrée. Après cela, nous utilisons la déclaration d'impression où le «.Les attributs de l'appareil sont appelés avec la variable «TF1». Le type de variable matériel s'affiche sur le terminal.

Python TensorFlow Plander

Les variables TensorFlow qui acquièrent des données ultérieurement sont connues comme un espace réservé. Nous sommes capables de créer des procédures sans avoir besoin de données. Alors que la session commence et fonctionne, les données sont insérées dans l'espace réservé. Grâce à l'utilisation des espaces réservés, nous pouvons ajouter des données aux graphiques TensorFlow.

Exemple

Nous avons importé le module TensorFlow différemment car l'attribut d'espace réservé n'est pas trouvé, et une erreur s'est produite. Ensuite, nous avons la variable «P» et définissons la méthode d'espace réservé () à l'intérieur. L'espace réservé prend les paramètres «flotteur» et «aucun». Nous avons initialisé les valeurs de l'espace réservé. Mais nous avons réglé le fonctionnement de la multiplication comme «P * 2» à l'intérieur de la variable «Q».

Maintenant, nous avons implémenté l'objet de session à partir de la session Tensorflow (). Ici, même si un graphique d'opérations beaucoup plus large était créé, seule une petite partie du complot pouvait être exécutée. Cette évaluation des sous-graphiques est l'un des principaux avantages de Tensorflow car peu d'autres bibliothèques qui effectuent des tâches connexes l'offrent. Ensuite, nous avons passé la variable «Q» et définissons le feed_dict en attribuant la valeur de la variable «p» dans la session RUN (). Ici, la sortie donne les résultats attendus après l'exécution. Le code et la sortie ont été fixés dans l'image suivante:

Exemple

De plus, les espaces réservés à différentes dimensions peuvent stocker des tableaux. Le cas suivant comprend le placement de plusieurs entiers dans une matrice. Ensuite, en utilisant la même technique qu'auparavant, nous multiplions l'élément entier par deux. À l'intérieur du programme suivant, nous avons appelé l'espace réservé dans la variable «V1». L'espace réservé définit la dimension comme «aucune» et la deuxième dimension comme «3». Cela signifie que la colonne doit être trois pour la matrice.

Après cela, nous avons multiplié la variable «V1» par «3» et créé la session. Nous avons passé le «v2» et «feed_dict» comme argument dans l'exécution de la session, et les valeurs de la variable «V1» sont également définies dans l'entrée feed_dict. Nous avons imprimé la matrice de 3 par 2 dans l'image suivante avec le code:

Tensorflow python tenseur clairsemé

Le traitement rapide et la mise en cache des tenseurs dans Tensorflow sont rendus possibles par des tenseurs clairsemés et utilisés dans des applications pour le traitement du langage naturel et la vision informatique, ainsi que pour les photographies de prétraitement avec des pixels sombres. Nous utiliserons le «TF.clairsemé.Fonction sparsetentensor () ”pour représenter un tenseur clairsemé, qui sera utilisé pour effectuer cette tâche spécifique.

Exemple

Ici, nous avons défini les valeurs des paramètres clairsemés. Le «Ind» représente les indices qui ont toutes les valeurs non nulles. Le «Val» est la valeur spécifiée par la forme du tenseur pour chaque indice précédent. Ensuite, nous avons un paramètre de forme dense comme «DS», qui est également initialisé avec la liste. Ensuite, nous avons passé tous ces paramètres à l'intérieur du TF.clairsemé.SPARSETENSENSOR () fonctionne comme un argument. Le snap suivant montre également le résultat de la fonction. Le code et la sortie ont été fixés dans l'image suivante:

Exemple

Maintenant, nous verrons la conversion de Tensorflow en valeur nupy. Pour ce faire, nous utiliserons la fonction d'exécution impatiente pour faire fonctionner la session. Le TF.compat.v1. La fonction session () est utilisée pour construire la session après l'importation du module TensorFlow et le TF.La fonction Tensor () clairsemée est utilisée après cela. Après cela, nous avons défini la variable «new_result» et attribué la valeur entière sous la forme d'une liste au TF.Fonction SPARSETENSEUR. Après avoir imprimé l'opération de fonction, nous pouvons voir la sortie.

Exemple

Nous avons vu la conversion clairsemée en Numpy. Maintenant, nous avons converti le clairsemé en dense. Pour cela, nous avons mis en œuvre le programme suivant. Nous avons attribué la forme dense au TF.Paramètres de fonction, de valeur et d'indices sparsetensor et les a également initialisés. Après cela, nous avons invoqué la fonction TensorFlow «To_dense» qui prend le «TF.Fonction Sparsetentensor et affiche les résultats. Le code et la sortie ont été fixés dans l'image suivante:

Fonction de transposition TensorFlow

La fonction de transposition TensorFlow est une caractéristique du package TensorFlow du domaine de fond Python. Cette fonction nous permet de déterminer la transposition des données données chaque fois que nous la transmettons au paradigme TensorFlow. La matrice d'entrée du tenseur sera inversée par la fonction de transposition, entraînant un retournement en diagonale des lignes et des colonnes.

Exemple

Nous avons un package TensorFlow à l'intérieur de notre script, qui se voit attribuer un nom symbolique, «TF». Ensuite, nous avons déclaré la variable «A», où nous avons créé la liste des valeurs numériques. Après avoir créé les deux listes à l'intérieur de la méthode constante, nous avons utilisé le «TF.Transposer la méthode et passer la variable d'entrée «A» à l'intérieur. La fonction de transport a changé la position de la liste horizontale dans la liste verticale, comme indiqué à l'intérieur de la capture d'écran suivante:

Exemple

Le tableau spécifié en tant qu'entrée sera transposé par la taille indiquée si l'argument perm est donné. Considérez le paramètre perm de la fonction de transposition dans l'exemple suivant. Après avoir inséré le package TensorFlow, nous avons spécifié les deux listes de nombres à l'intérieur de la méthode constante de TensorFlow dans la variable «trans». Ensuite, nous avons appelé la méthode TensorFlow, où le «trans» est attribué en entrée, et le paramètre permanen est également défini avec des dimensions pour la métrique 3 × 3. La fonction transposée génère la nouvelle métrique transformée.

Exemple

Le nouveau paramètre «conjugué» est introduit dans cet exemple. Nous pouvons transposer un tenseur s'il est conjugué dans l'entrée. Nous devons donner le «TF.TRANSPOSE () »Conjugue d'argument égal à True pour y parvenir. À l'intérieur du programme, nous avons défini la variable «IMG» pour créer la liste à l'aide du «TF.Méthode constante. Nous avons attribué un numéro complexe à la liste. Après cela, nous avons utilisé la fonction de transposition où l'argument conjugué est appelé et défini avec la valeur bool «vrai». Lorsque l'instruction de fonction de transposition est exécutée, la sortie affiche la métrique de transposition conjuguée, comme suit:

Fonction TensorFlow Argmax

La fonction TensorFlow Argmax est utilisée pour déterminer la plus grande valeur parmi les valeurs des axes et fait partie du package mathématique de la bibliothèque TensorFlow. Le champ technologique défini comme Tensorflow Keras est actuellement l'un des plus largement utilisés et en développement rapidement car il peut changer la voie de la technologie.

Exemple

Nous avons utilisé le module TensorFlow pour utiliser la fonction argmax. Ensuite, nous avons défini la valeur avec la méthode constante à l'intérieur de la variable «x». Nous avons invoqué la fonction argmax de la bibliothèque mathon mathon à l'intérieur de la variable «y». La fonction TensorFlow Argmax prend le paramètre d'entrée «x», puis nous avons affiché le tenseur avec la méthode d'impression. Après cela, nous avons calculé la valeur du tenseur obtenu à travers le TF.Kéras.backend.Méthode eval () lorsque nous avons passé la variable «y». Il a l'index de valeur maximale dans la sortie, car la dernière valeur d'index a la valeur maximale. Ainsi, la valeur maximale de l'index est générée.

Exemple

Ici, avec la méthode de forme du tensorflow, nous avons implémenté la fonction argmax. L'étape initiale d'inclure le tensorflow est effectuée. Ensuite, nous avons défini la variable «u», où la fonction constante prend la «valeur» du paramètre et définit la liste des entiers à l'intérieur. De plus, nous avons réglé l'argument de «forme» à l'intérieur de la fonction constante et de la forme «3x3». Nous avons imprimé la forme de la liste spécifiée en 3 × 3 dimensions. Ensuite, nous avons construit une autre variable, «V», où la fonction argmax déployée en attribuant l'argument «d'entrée» comme «x». Lorsque le tenseur est imprimé, il étend la valeur des indices, et avec le module Keras, nous avons évalué la valeur qui affichait respectivement les indices maximaux.

Fonction Tensorflow Argmin

Plus tôt, nous avons discuté de la fonction Tensorflow Argmax. La fonction Argmin TensorFlow est implémentée de la même chose que la fonction argmax. Les valeurs de sortie sont la seule chose qui diffère. Le module mathématique de la bibliothèque Tensorflow contient la méthode TensorFlow Argmax, qui détermine la valeur avec la valeur minimale entre les valeurs des axes.

Exemple

Le module TensorFlow a été désigné dans l'exemple ci-dessous. Ensuite, nous avons initialisé certaines valeurs numériques sous la forme du tableau, qui est présente à l'intérieur de la variable «A1». Avec l'aide du package mathématique, nous avons utilisé la fonction Argmin et définissons l'argument «d'entrée» avec la variable du tenseur «x». Après cela, nous avons affiché le tenseur évalué de la fonction Argmin. Enfin, nous avons déterminé la valeur du tenseur des keras.backend.Méthode d'Eval, comme le nombre «1.9 ”est un nombre minimum. Donc, dans la sortie, nous avons la valeur d'index «3» par rapport à ce nombre.

Exemple

Maintenant, nous avons utilisé la méthode de forme du tensorflow. Cela générera la valeur des indices en forme des valeurs minimales. Nous avons établi la variable «i» et l'avons déclaré avec la fonction constante. La fonction constante prend la valeur et la forme comme argument. Ces arguments spécifiés sont définis avec leur valeur. Ensuite, nous avons montré le tenseur et les indices du nombre avec des valeurs minimales.

Conclusion

Une bibliothèque d'apprentissage en profondeur largement utilisée est TensorFlow. Il est principalement utilisé dans la construction de réseaux de neurones, et les petites et grandes entreprises l'utilisent. TensorFlow est également utilisé dans la plupart des produits de Google, y compris Gmail et le moteur de recherche, comme on le voit ci-dessus; Google l'utilise également à des fins internes. Une introduction à Tensorflow a été fournie dans ce manuel.

Ici, nous avons discuté de l'introduction par Tensorflow de ses éléments, traits, avantages et inconvénients clés. Nous avons abordé chaque aspect de Python Tensorflow et l'implémentation du code TensorFlow avec le serveur Linux. Nous avons démontré comment configurer TensorFlow sur Ubuntu 20.04 dans un environnement virtuel. Ensuite, nous voyons le type de données TensorFlow. Nous avons récupéré le type de données avec l'appel de fonction DType dans TensorFlow.

Ensuite, nous avons exploré la déclaration et l'initialisation du constructeur variable (). Les tampons en mémoire basés sur le tenseur appelées variables tensorflow restent actifs après une exécution de graphique et sont utilisés à plusieurs reprises. Ensuite, nous avons une explication de l'espace réservé tensorflow. Ils nous permettent de définir des restrictions sur la taille des valeurs et les types de données en cours de réalisation. Ensuite, nous avons l'implémentation d'une autre fonction TensorFlow, qui est appelé la fonction du tenseur clairsemé. Nous avons utilisé le «TF.clairsemé.Fonction Sparsetentensor pour afficher les valeurs du tenseur clairsemé. Nous avons également utilisé la méthode de transposition TensorFlow.

La fonction de transposition de Tensorflow aide à retourner le tenseur d'entrée, ce qui fait alterner les lignes et les colonnes de la matrice. De plus, ce tutoriel explique deux autres fonctions, Argmax et Argmin, soutenues par le module TensorFlow. Ces méthodes aident à localiser la valeur la plus élevée et la plus basse du tenseur qui a été fourni en entrée à la fois le long et à travers les axes. Tensorflow rend incroyablement simple à mettre en œuvre ces méthodes car ce sujet est très vaste, mais nous avons essayé de couvrir tous les sujets importants que possible.