Учебное пособие по Python TensorFlow

Объектно-ориентированное программирование (ООП) в Python Изучение

Программное обеспечение для программирования под названием TensorFlow предназначено для создания приложений для глубокого и машинного обучения. Тензоры обладают функциональностью многомерных структур, содержащих данные. Библиотеки TensorFlow поддерживают JavaScript и Python. TensorFlow, созданный Google, в настоящее время представляет собой подход с открытым исходным кодом к проблемам машинного обучения и искусственного интеллекта, связанным с большими данными. Это гибкая система, особенно учитывая ее способность работать одновременно на мобильных устройствах, графических процессорах и процессорах.

В будущем технология TensorFlow ждет огромный рост. Это полностью считается направлением моделирования глубокого обучения. Он используется в научных целях несколькими престижными компаниями. Они наиболее известны своим участием в крупных компаниях, исследованиях и особенно в продуктах Google. Даже они начали использовать мобильные устройства и облако для своих задач.

Существенными частями TensorFlow являются тензоры. Базовые структуры данных языка TensorFlow представлены в виде многомерной коллекции или списка. Соединительные ребра любой блок-схемы представляют собой тензоры, которые называются диаграммой потока данных. Тензоры — это связующие соединения в любой блок-схеме, часто называемой диаграммой потока данных. Мультилинейные карты могут быть чем угодно, включая векторные пространства и действительные числа.

Таким образом, тензор может быть скаляром, вектором или матрицей. Приложения TensorFlow часто делятся на две фазы: построение путем разборки графа и выполнение с использованием сеанса. Эта сессия полезна для людей, интересующихся Python и сосредоточенных на разработке и исследованиях с использованием различных алгоритмов машинного обучения и обучения данным. Python — единственный язык, который использует TensorFlow. Поэтому требуется хорошее понимание Python. TensorFlow можно легко понять, если у нас есть базовое понимание фундаментальной математики и концепций ИИ.

Приложения TensorFlow

  • Для обнаружения видео используется метод глубокого обучения. Обнаружение движения, обнаружение опасности в реальном времени, безопасность аэропорта и поля UI/UX используют его.
  • Наиболее известные приложения для глубокого обучения включают обнаружение голоса и звука. Способность нейронных сетей распознавать звуковые сигналы зависит от их входных данных.
  • Распознавание изображений также является популярным приложением TensorFlow. Распознавание изображений используется для распознавания и идентификации людей и вещей по фотографиям. Контекст и содержание любого изображения можно понять с помощью распознавания изображений.
  • Другой популярный подход к глубокому обучению использует текст в качестве входных данных. К текстовым приложениям относятся, например, анализ текста, сайты социальных сетей, идентификация угроз и обнаружение мошенничества.

Структура TensorFlow

Несколько API-интерфейсов, попадающих в категории низкого и высокого уровня, помогают компенсировать использование библиотек TensorFlow.

Низкоуровневый API TensorFlow. Важным элементом TensorFlow является его основной API. Чтобы создавать эффективные приложения для машинного обучения, разработчики объединили программы Python или JavaScript, внедрив TensorFlow Core. Эффективно, но у TensorFlow Core высокая кривая обучения. Любой человек, работающий с Core, должен быть знаком с фундаментальными концепциями данных и основным API, из которых состоит TensorFlow.

Высокоуровневый TensorFlow API. Включает в себя набор передовых программ и библиотек, использующих TensorFlow. Некоторые помогают в создании моделей, которые могут служить основным принципом графика. Другие предоставляют масштабируемый слой, который позволяет настраивать его без полного обучения работе с TensorFlow. Кривая обучения для большинства этих API намного удобнее, и они часто меньше и надежнее, чем Core API.

Особенности TensorFlow

В отличие от других платформ глубокого обучения, доступных в настоящее время, TensorFlow предлагает интерактивный многоплатформенный интерфейс программирования, который является масштабируемым и надежным. У нас есть некоторые известные аспекты, касающиеся TensorFlow, которые включают в себя:

  • Мы можем отобразить каждый аспект графика, чего не предлагают такие фреймворки, как NumPy или SciKit. Чтобы разработать программное обеспечение для глубокого обучения, сначала необходимо иметь несколько компонентов и язык программирования.
  • Это позволяет вам исследовать каждый узел или операцию с точки зрения ее анализа независимо. Tensor Board использует свою панель инструментов, чтобы увидеть, как она работает, с помощью графика. Он предлагает подходы к построению статистических графиков, которые помогают с простой парадигмой.
  • Основная характеристика библиотеки машинного обучения заключается в том, что любой, у кого есть подключение к Интернету, может использовать ее, поскольку она имеет открытый исходный код. Таким образом, модифицируя библиотеку, пользователи могут создавать широкий спектр ценных услуг.
    TensorFlow предлагает разработку и обучение моделей как на ЦП, так и на ГП. И ЦП, и ГП способны выполнять вычисления, и их также можно противопоставлять.
  • В двух словах, столбцы функций TensorFlow функционируют как связь между входными данными и нашей сетью, выступая в качестве посредников между оценщиками и необработанными данными.
  • TensorFlow обеспечивает определенный уровень абстракции, сокращая реализацию и ускоряя разработку. Пользователь должен обращать внимание на логику, а не на правильный способ ввода данных в функции. Пользователь может установить модель, которая идеально соответствует потребностям системы.

Архитектура TensorFlow

Архитектура TensorFlow дополнена несколькими дополнительными внутренними частями.

Servables : абстрактная единица, используемая TensorFlow для помощи в предоставлении задач, известна как servable. Это основные компоненты, облегчающие вычисления. Он обеспечивает высокий уровень настройки размера и разрешения. Компоненты TensorFlow Servable могут варьироваться от набора таблиц до отдельного кортежа с моделями API. Servables могут иметь любую форму интерфейса, обеспечивающую гибкость и будущее продвижение.

  • Соединения экспериментального API
  • Потоковые результаты
  • Обработка асинхронных методологий

Версии Servables : это позволяет постепенно загружать новые настройки алгоритма, скорости и другие данные. Более того, они обеспечивают синхронную загрузку многих версий обслуживаемого объекта, что позволяет проводить эксперименты и поэтапное развертывание.

TensorFlow Manager : Менеджер отслеживает все версии, сохраняя при этом исходники. Несмотря на попытки менеджера, версия Aspired не всегда может быть загружена. Другой вариант для менеджеров — отложить «выгрузку». Менеджеры TensorFlow управляют общим жизненным циклом servable, включая загрузку, выгрузку и обслуживание servable.

TensorFlow Core : TensorFlow Core включает метрики жизненного цикла, а обслуживающее ядро ​​TensorFlow принимает серверы и загрузчики в качестве объектов.

Жизненный цикл TensorFlow : диспетчер загружает и запускает загрузчики, разработанные источниками для обслуживаемых версий. После этого они доставляются клиентам в виде требуемых версий в виде клиентских запросов. Для загрузки Servable у загрузчика есть все необходимые метаданные. Источник отправляет исходник диспетчеру версии Aspired через обратный вызов. Диспетчер реализует политику текущей версии для выполнения следующего действия. Менеджер дает указание загрузчику получить актуальную версию и предоставляет необходимые ресурсы, если они считают это безопасным.

Клиенты могут запросить самую последнюю версию Servable или указать версию, запрашивая ее у руководства. Менеджер возвращает дескриптор Servable. Затем динамический менеджер сообщает загрузчику сообщение о достаточном количестве памяти. Динамический менеджер отвечает дескриптором самой последней версии обслуживаемого объекта, когда клиент запрашивает дескриптор новейшей модели.

Потоки Servables : Он состоит из нескольких Servables различных типов. Он сохраняется в возрастающей последовательности итераций.

Загрузчики TensorFlow: обслуживание всего жизненного цикла TensorFlow Servable осуществляется через API-интерфейс загрузчика TensorFlow. Он предоставляет общую инфраструктуру для определенных алгоритмов.

Пакетировщик TensorFlow : когда доступны графические процессоры и аппаратные ускорители, объединение ответов TensorFlow в унифицированное приложение может значительно снизить стоимость выполнения логических выводов. В сервабле TensorFlow доступен дополнительный пакетный виджет, который позволяет клиентам легко объединять свои различные индивидуальные запросы на вывод в один пакет запросов для эффективного выполнения этой операции.

Модели TensorFlow. Подача — это рендеринг парадигмы в одной или даже нескольких подачах. Подача также выступает в качестве компонента модели, так что большая таблица с возможностью поиска может использоваться как несколько экземпляров.

Преимущества TensorFlow

Открытый исходный код : он доступен для всех пользователей и подготовлен для создания любой системы благодаря своей платформе с открытым исходным кодом.

Параллелизм : TensorFlow использует для работы устройства как GPU, так и CPU. Пользователь может использовать любой из макетов по своему усмотрению. Если не указано иное, система использует GPU. Этот метод несколько снижает использование памяти. TensorFlow считается библиотекой аппаратного ускорения из-за ее возможностей.

Архитектурная поддержка : по сравнению с ЦП и ГП, архитектура TensorFlow включает TPU для ускорения работы. В отличие от двух других, разработанные модели с использованием TPU можно легко развернуть в облаке.

Отладка : мы можем собирать и получать дискретные данные благодаря их сотрудничеству в выполнении подточек графа, давая им преимущество.

Масштабируемость : эта платформа позволяет выполнять практически все операции. TensorFlow позволяет своим пользователям создавать любую систему благодаря возможности установки на любую машину и графическому представлению модели.

Графическая поддержка : TensorFlow используется для разработки глубокого обучения, поскольку он позволяет создавать нейронные сети с использованием графов, которые имеют узлы для операций. TensorFlow функционирует в различных областях, включая временные ряды, обнаружение движения, идентификацию голоса и распознавание изображений, поэтому его можно использовать для удовлетворения потребностей пользователя.

Недостатки TensorFlow

Нет поддержки окон : несмотря на множество преимуществ TensorFlow, пользователи Windows могут получить доступ только к ограниченному числу его функций. Пользователи Linux имеют доступ к широкому спектру возможностей.

Читайте также:  Как загрузиться в режим восстановления в Ubuntu?

Зависимость : TensorFlow уменьшает количество скриптов и упрощает доступ пользователей, но также усложняет использование кода. Каждый код должен выполняться на разных платформах, чтобы можно было увеличить зависимости выполнения.

Непоследовательность : в названиях модулей TensorFlow используются омонимы, что затрудняет сохранение и использование пользователями. Проблема возникает из-за принятия одного имени для нескольких различных контекстов.

Скорость : TensorFlow движется медленнее по сравнению со своими противниками. По сравнению с другими фреймворками он менее удобен.

Символический цикл : эта функция более важна при обсуждении последовательностей переменной длины. TensorFlow не включает функциональность. Тем не менее, ограниченное количество слоев является подходящим решением.

Как установить Python TensorFlow в Ubuntu 20.04

Библиотека TensorFlow — это программное обеспечение с открытым исходным кодом для машинного обучения и разработки глубоких нейронных сетей. Библиотеку TensorFlow можно установить в виртуальной среде Python. В этой статье мы устанавливаем библиотеку TensorFlow, и все инструкции по установке предназначены для Ubuntu 20.04. Однако все варианты Linux используют одинаковую методологию установки библиотеки TensorFlow. Мы продемонстрировали каждый шаг с выполненными командами для успешной установки пакета TensorFlow.

Шаг 1 : Первый шаг — убедиться, что Python установлен в Ubuntu 20.04. Мы можем проверить версию Python, введя команду «python3 -V». Поскольку мы уже установили Python3, версия отображается на следующем изображении:

Первый шаг — убедиться, что Python установлен

Шаг 2 : Теперь мы подтверждаем, что Python установлен в нашей системе. Затем переходим к следующему шагу. Мы внедрили пакет venv из пакета Python3-venv, который является предпочтительным методом построения виртуальной среды. Чтобы получить модуль venv, введите следующую команду:

Теперь мы подтверждаем, что Python установлен в нашей системе

Шаг 3 : Мы успешно установили пакет venv в нашу систему. Теперь мы можем легко создать виртуальную среду для проекта TensorFlow. Для этого мы создали каталог, в котором мы хотим, чтобы наша виртуальная среда Python3 находилась. Созданный директор должен иметь права на чтение и запись для пользователей, которых вы хотите разрешить. Мы создали каталог «py_tensorflow» и с помощью команды «cd» вошли в этот конкретный каталог.

Мы успешно установили пакет venv в нашу систему

Чтобы создать виртуальную среду из модуля venv, мы использовали следующую команду в каталоге py_tensorflow. Здесь мы выбрали имя «Venv» для нашей виртуальной среды, но это может быть и другое имя. Эта команда создала каталог venv, который включает модули Python по умолчанию, диспетчер пакетов pip, копии двоичных файлов Python и другие вспомогательные файлы.

Чтобы создать виртуальную среду из модуля venv

Мы вошли в нашу виртуальную среду, активировав скрипт активации из следующего формата команды. Каталог bin будет добавлен в системную переменную $PATH для виртуальной среды после ее активации. Имя виртуальной среды теперь отображается в приглашении терминала, которое также изменится. Поскольку мы выбрали «venv» для нашей виртуальной среды, это показано следующим образом:

Мы вошли в нашу виртуальную среду, активировав скрипт

Теперь мы находимся на этапе, когда мы можем установить модуль TensorFlow. Нам нужно обновить версию pip до последней версии, которая требуется для установки библиотеки TensorFlow в нашей виртуальной среде. Модуль pip в нашей текущей виртуальной среде venv будет обновлен с помощью следующей команды:

Теперь мы находимся на этапе, когда мы можем

Мы успешно обновили версию pip, как показывает подсказка на снимке, сделанном нами. С помощью команды деактивации мы можем покинуть виртуальную среду, когда захотим. Источник активирует команду, которую можно использовать для его оживления позже. При использовании TensorFlow мы рекомендуем оставаться внутри виртуальной среды. Теперь установка модуля TensorFlow готова к работе. С помощью команды pip мы установили библиотеку «TensorFlow». Следующая команда извлекает самую последнюю стабильную версию и зависимости каждого пакета TensorFlow:

Следующая команда извлекает самую последнюю стабильную версию и зависимости каждого пакета

Когда TensorFlow начнет установку, мы увидим сообщение о том, что установка TensorFlow и всех необходимых зависимых пакетов прошла успешно.

Типы данных Python TensorFlow

TensorFlow поддерживает уникальные типы данных. Мы рассмотрим использование типов данных в TensorFlow. TensorFlow принимает собственные типы данных Python, такие как строки, логические значения и числа (int, float). NumPy также хорошо ладит с TensorFlow 2.x. Изменение типа данных между NumPy и Tensor поддерживается должным образом. В Python TensorFlow доступны как 32-битные, так и 64-битные числа, а также другие типы данных. Мы показали типы данных примеров тензора, которые включают:

Как правило, мы использовали «dtype» для получения типа данных указанного значения. «dtype» TensorFlow используется для проверки текущего типа данных Tensor или предоставления вывода типа данных для вычислений, которые в нем нуждаются.

Пример 1

Во-первых, мы получили целочисленный тип данных. Тип данных «int» работает аналогично другим модулям. Он описывает определенный диапазон целых чисел в математике. К целочисленным типам данных применяются различные ограничения по размеру, а отрицательные значения могут быть разрешены или запрещены. Для этого мы предоставили TensorFlow как «tf» и вызвали константу, которая принимает числовое значение «3». С этим мы назвали «dtype». Когда мы нажимаем ввод для оператора REPL, выполняется тип данных «int32». Вот как мы печатаем тип данных любого заданного значения.

Во-первых, мы получили целочисленный тип данных

Пример 2

В следующем примере мы проверили тип данных десятичного числа. В константу() мы передали десятичное число «1,5» и вызвали dtype. Когда мы выполняем это, tf.float32 отображается с помощью Python TensorFlow REPL.

В константу() мы передали десятичное число

Пример 3

Затем мы отобразили тип данных, передав мнимое число «2+2j», и TensorFlow dtype вернул тип данных complex128. Тип данных complex128 представляет два 64-битных типа данных с плавающей запятой.

Затем мы отобразили тип данных, передав мнимое

Пример 4

Строка — это распространенный и полезный тип данных, поддерживаемый каждой библиотекой Python. Строковый тип данных состоит из набора символов. Точно так же Python TensorFlow также имеет строковый тип данных, который мы показали в следующем примере. Мы передали строку «Hello world», и после выполнения на выходе отображается «tf.string».

Строка — это распространенный и полезный тип данных

Пример 5

Тип данных Boolean, часто сокращаемый до Bool, представляет логические значения true и false. Здесь мы передали логическое значение «True» для операции с типом данных, и она вернула значение tf.bool в качестве значения типа данных. Это означает, что этот хорошо известный тип данных Bool также поддерживается в Python TensorFlow.

Тип данных Boolean, часто сокращаемый до Bool, представляет логические

Переменные Python TensorFlow

Лучший подход к представлению общего постоянного состояния, с которым работает программа, — использование переменной TensorFlow. Буферы в памяти, содержащие тензор, служат переменными. Их можно сохранять на диск во время и после тренировки, но их необходимо инициализировать вручную. Через класс «tf.Variable» генерируются и отслеживаются переменные. Можно изменить значение тензора, реализуя операции, представленные классом «tf.Variable». Мы можем читать и пересматривать значения этого тензора, используя определенные операции.

После создания переменные и формы не могут быть обновлены. Давайте рассмотрим несколько примеров формирования переменных с помощью TensorFlow.

Пример 1

Ниже приведен пример, в котором мы создали переменную Python TensorFlow, которая отображает форму, размеры, размер и тип данных значения, переданного в качестве входных данных в конструктор variable(). Во-первых, мы импортировали модуль TensorFlow с псевдонимом «tf». Затем мы устанавливаем имя переменной как «tensor» и объявляем ее с помощью конструктора variable().

В конструктор variable() мы передали два числовых значения. Затем мы напечатали форму переменной TensorFlow, вызвав объект «tf.shape». После этого мы напечатали «Размер» переменной, передав «тензор» методу «tf.rank», а также вызвали функцию numpy(). Далее мы напечатали размер переменной, передав «тензор» в методе size, и, наконец, получили тип данных из метода dtype, который уже обсуждался в предыдущем разделе.

В конструктор variable() мы передали два числовых значения

Пример 2

Благодаря использованию конструктора Variable мы понимаем, как установить переменную. Теперь нам нужно изменить форму переменной, используя новый метод Python TensorFlow, называемый методом reshape(). Этот метод reshape() принимает параметр shape и имя переменной. Теперь мы реализовали пример метода изменения формы. Мы объявили переменную «tensor» и установили для нее значение с помощью конструктора variable().

После этого мы использовали метод «tf.reshape()» и передали переменную «tensor» и метод shape, для которых было задано значение, которое будет формироваться для указанных значений в конструкторе variable(). Затем мы выполнили предыдущую программу, которая изменила форму переменной. Код и вывод были прикреплены к следующему изображению:

После этого мы использовали метод

Пример 3

Теперь мы сделали трансляцию переменных TensorFlow. Меньшие переменные могут мгновенно расширяться, чтобы соответствовать большим переменным, когда мы пытаемся запустить парные операции с несколькими объектами Variable, как мы можем это делать с объектами Tensor. Это очень похоже на то, как работают массивы NumPy. Скалярная переменная масштабируется для умножения каждого члена переменной, когда вы пытаетесь умножить ее на другую переменную.

Нам нужно импортировать модуль TensorFlow, потому что мы не можем получить доступ к переменной TensorFlow. После этого мы объявили конструктор «Variable()» внутри переменных «t1» и «t2». В переменную «t1» мы передали два числовых значения, которые нужно умножить на числовое значение переменной «t1». Затем в объекте «результат» мы перемножили две переменные и показали результирующие значения с помощью оператора печати. Код и вывод были прикреплены к следующему изображению.

Нам нужно импортировать модуль TensorFlow

Пример 4

Мы могли бы использовать его для определения типа аппаратного обеспечения (ЦП), используемого для выполнения нашей переменной. Для этого используется атрибут «.device». В следующей реализации мы определили имя переменной «tf1» и назначили внутри него конструктор Variable, который передал два значения в качестве входных данных. После этого мы используем оператор печати, в котором атрибуты «.device» вызываются с переменной «tf1». Тип аппаратной переменной отображается на терминале.

Мы могли бы использовать его для определения типа аппаратного

Заполнитель Python TensorFlow

Переменные TensorFlow, которые получают данные позже, называются заполнителями. Мы способны создавать процедуры без необходимости данных. Когда сеанс начинается и работает, данные вставляются в заполнитель. Используя заполнители, мы можем добавлять данные в графики TensorFlow.

Читайте также:  Что такое Front-End-as-a-Service и зачем он вам нужен

Пример 1

Мы импортировали модуль TensorFlow по-другому, так как атрибут заполнителя не найден, и произошла ошибка. Затем у нас есть переменная «p» и внутри нее установлен метод placeholder(). Заполнитель принимает параметры «float» и «None». Мы инициализировали значения для заполнителя. Но мы установили операцию умножения как «p*2» внутри переменной «q».

Теперь мы реализовали объект сеанса из сеанса TensorFlow(). Здесь, даже если бы был создан гораздо больший сюжет операций, можно было бы выполнить только небольшую часть сюжета. Эта оценка подграфа является одним из основных преимуществ TensorFlow, потому что немногие другие библиотеки, выполняющие связанные задачи, предлагают ее. Затем мы передали переменную «q» и установили feed_dict, присвоив значение переменной «p» в сеансе run(). Здесь вывод дает ожидаемые результаты после выполнения. Код и вывод были прикреплены к следующему изображению:

Теперь мы реализовали объект сеанса из сеанса TensorFlow()

Пример 2

Кроме того, заполнители с различными размерами могут хранить массивы. Следующий случай включает размещение нескольких целых чисел в матрице. Затем, используя ту же технику, что и раньше, мы умножаем целочисленный элемент на два. Внутри следующей программы мы вызвали заполнитель в переменной «v1». Заполнитель определяет измерение как «Нет», а второе измерение — как «3». Это означает, что столбца должно быть три для матрицы.

После этого мы умножили переменную «v1» на «3» и создали сессию. Мы передали «v2» и «feed_dict» в качестве аргумента при запуске сеанса, а значения для переменной «v1» также устанавливаются внутри ввода feed_dict. Мы напечатали матрицу 3 на 2 на следующем изображении вместе с кодом:

После этого мы умножили переменную «v1»

Разреженный тензор Python TensorFlow

Быстрая обработка и кэширование тензоров в TensorFlow становятся возможными благодаря разреженным тензорам и используются в приложениях для обработки естественного языка и компьютерного зрения, а также для предварительной обработки фотографий с темными пикселями. Мы будем использовать функцию «tf.sparse.SparseTensor()» для представления разреженного тензора, который будет использоваться для выполнения этой конкретной задачи.

Пример 1

Здесь мы установили значения для разреженных параметров. «ind» представляет индексы, все значения которых не равны нулю. «val» — это значение, определяемое формой тензора для каждого предыдущего индекса. Затем у нас есть параметр плотной формы как «ds», который также инициализируется списком. Затем мы передали все эти параметры внутри функции tf.sparse.SparseTensor() в качестве аргумента. Следующий снимок также показывает результат функции. Код и вывод были прикреплены к следующему изображению:

Здесь мы установили значения для разреженных параметров

Пример 2

Теперь мы увидим преобразование TensorFlow в значение NumPy. Для этого мы будем использовать функцию нетерпеливого выполнения для управления сеансом. Файл tf.compat.v1. Функция session() используется для создания сеанса после импорта модуля TensorFlow, после чего используется функция tf.sparse tensor(). После этого мы определили переменную «new_result» и присвоили целочисленное значение в виде списка функции tf.sparseTensor. После печати операции функции мы можем увидеть вывод.

Теперь мы увидим преобразование TensorFlow

Пример 3

Мы видели разреженное преобразование в NumPy. Теперь мы преобразовали разреженное в плотное. Для этого мы реализовали следующую программу. Мы присвоили плотную форму функции tf.SparseTensor, параметрам значения и индексов, а также инициализировали их. После этого мы вызвали функцию TensorFlow «to_dense», которая принимает функцию «tf.SparseTensor» и отображает результаты. Код и вывод были прикреплены к следующему изображению:

Мы видели разреженное преобразование в NumPy

Функция транспонирования TensorFlow

Функция транспонирования TensorFlow — это функция пакета TensorFlow домена глубокого обучения Python. Эта функция позволяет нам определять транспонирование данных всякий раз, когда мы передаем их в парадигму TensorFlow. Входная матрица тензора будет перевернута функцией транспонирования, что приведет к диагональному переворачиванию строк и столбцов.

Пример 1

Внутри нашего скрипта есть пакет TensorFlow, которому присвоено символическое имя «tf». Затем мы объявили переменную «a», где мы создали список числовых значений. После создания двух списков внутри константного метода мы использовали метод «tf.transpose» и передали в него входную переменную «a». Функция транспонирования изменила положение горизонтального списка на вертикальный, как показано на следующем снимке экрана:

Внутри нашего скрипта есть пакет TensorFlow, которому

Пример 2

Указанный массив в качестве входных данных будет транспонирован на указанный размер, если задан аргумент perm. Рассмотрим параметр perm функции транспонирования в следующем примере. После вставки пакета TensorFlow мы указали два списка чисел внутри константного метода TensorFlow в переменной «trans». Затем мы вызвали метод TensorFlow, где в качестве входных данных назначается «транс», а параметр perm также устанавливается с размерами для метрики 3 × 3. Функция транспонирования генерирует новую преобразованную метрику.

Указанный массив в качестве входных данных будет

Пример 3

В этом примере вводится новый параметр «сопряжение». Мы можем транспонировать тензор, если он сопряжен во входных данных. Для этого мы должны дать аргументу «tf.transpose()» сопряжение, равное True. Внутри программы мы установили переменную «img» для создания списка с помощью метода «tf.constant». Мы присвоили списку комплексный номер. После этого мы использовали функцию транспонирования, в которой вызывается сопряженный аргумент и устанавливается значение Bool «True». Когда выполняется оператор функции транспонирования, выходные данные отображают метрику сопряженного транспонирования следующим образом:

Мы можем транспонировать тензор, если он сопряжен во входных данных

Функция TensorFlow ArgMax

Функция TensorFlow argmax используется для определения наибольшего значения среди значений осей и является частью математического пакета библиотеки TensorFlow. Область технологий, определяемая как TensorFlow Keras, в настоящее время является одной из наиболее широко используемых и быстро развивающихся, поскольку она может изменить путь развития технологии.

Пример 1

Мы использовали модуль TensorFlow для использования функции argmax. Затем мы установили значение константным методом внутри переменной «x». Мы вызвали функцию argmax из математической библиотеки Python внутри переменной «y». Функция argmax TensorFlow принимает входной параметр «x», а затем мы отображаем тензор с помощью метода печати. После этого мы вычислили значение полученного тензора через метод tf.Keras.backend.eval(), передав ему переменную «y». Он имеет индекс максимального значения на выходе, так как последнее значение индекса имеет максимальное значение. Так генерируется максимальное значение индекса.

Мы использовали модуль TensorFlow для использования функции argmax

Пример 2

Здесь с помощью метода формы TensorFlow мы реализовали функцию argmax. Начальный шаг включения TensorFlow выполнен. Затем мы определили переменную «u», где константная функция принимает параметр «значение» и задает внутри него список целых чисел. Кроме того, мы установили аргумент «форма» внутри постоянной функции и формы «3X3». Мы напечатали форму указанного списка в размерах 3×3. Затем мы создали еще одну переменную, «v», где функция argmax развернута путем присвоения «входному» аргументу значения «x». Когда тензор печатается, он выводит значение индексов, а с помощью модуля Keras мы оцениваем значение, которое соответственно отображает максимальные индексы.

Здесь с помощью метода формы TensorFlow мы реализовали функцию argmax

Функция TensorFlow ArgMin

Ранее мы обсуждали функцию argmax TensorFlow. Функция argmin в TensorFlow реализована так же, как и функция argmax. Отличаются только выходные значения. Математический модуль библиотеки TensorFlow содержит метод argmax TensorFlow, который определяет значение с минимальным значением среди значений осей.

Пример 1

Модуль TensorFlow был обозначен в примере ниже. Затем мы инициализировали некоторые числовые значения в виде массива, который присутствует внутри переменной «a1». С помощью математического пакета мы использовали функцию argmin и установили «входной» аргумент с переменной тензора «x». После этого мы отобразили оцененный тензор из функции argmin. Наконец, мы определили значение тензора из метода Keras.backend.eval, так как число «1,9» является минимальным числом. Итак, на выходе у нас есть значение индекса «3» против этого числа.

Модуль TensorFlow был обозначен в примере ниже

Пример 2

Теперь мы использовали метод формы TensorFlow. Это сгенерирует значение сформированных индексов минимальных значений. Мы установили переменную «i» и объявили ее с помощью константной функции. Константная функция принимает значение и форму в качестве аргумента. Эти указанные аргументы устанавливаются с их значением. Затем мы показали тензор и индексы числа с минимальными значениями.

Теперь мы использовали метод формы TensorFlow

Заключение

Широко используемой библиотекой глубокого обучения является TensorFlow. Он в основном используется при построении нейронных сетей, и его используют как малые, так и крупные предприятия. TensorFlow также используется в большинстве продуктов Google, включая Gmail и поисковую систему, как показано выше; Google также использует его для внутренних целей. В этом руководстве представлено введение в TensorFlow.

Здесь мы обсудили введение TensorFlow, его ключевые элементы, черты, преимущества и недостатки. Мы рассмотрели каждый аспект Python TensorFlow и реализацию кода TensorFlow с сервером Linux. Мы продемонстрировали, как настроить TensorFlow на Ubuntu 20.04 в виртуальной среде. Затем мы видим тип данных TensorFlow. Мы получили тип данных с помощью вызова функции dtype в TensorFlow.

Далее мы рассмотрели объявление и инициализацию конструктора Variable(). Буферы в памяти на основе тензора, называемые переменными TensorFlow, остаются активными после одного выполнения графа и используются повторно. Далее у нас есть объяснение заполнителя TensorFlow. Они позволяют нам определять ограничения на размер значений и типы передаваемых данных. Затем у нас есть другая реализация функции TensorFlow, которая называется функцией разреженного тензора. Мы использовали функцию «tf.sparse.SparseTensor» для отображения значений разреженного тензора. Мы также использовали метод транспонирования TensorFlow.

Функция транспонирования TensorFlow помогает инвертировать входной тензор, что приводит к чередованию строк и столбцов матрицы. Кроме того, в этом руководстве объясняются еще две функции, argmax и argmin, поддерживаемые модулем TensorFlow. Эти методы помогают найти самое высокое и самое низкое значение в пределах тензора, который был предоставлен в качестве входных данных как вдоль, так и по осям. TensorFlow невероятно упрощает реализацию этих методов, поскольку эта тема очень обширна, но мы постарались охватить все важные темы, насколько это возможно.

Оцените статью
bestprogrammer.ru
Добавить комментарий

Adblock
detector