AI-United » Allgemein » TensorFlow-Tutorial. Teil 2: Installation und Einstellung

TensorFlow-Tutorial. Teil 2: Installation und Einstellung

TensorFlow-Tutorial. Teil 2

Nun, da Sie TensorFlow besser kennengelernt haben, müssen Sie mit diesem Programm weitermachen und die Bibliothek installieren. Es ist wichtig zu wissen, dass TensorFlow eine API für Python, C++, Haskell, Java, Go, Rust bereitstellt. Es gibt auch ein Drittanbieterpaket für R.

Nachdem Sie dieses Tutorial gelesen haben, können Sie eine Version von TensorFlow herunterladen, mit der Sie Code für Ihr Python-Trainingsprojekt schreiben können. Die TensorFlow-Installationsseite enthält einige der gängigsten Installationsmethoden (Tipps) mit virtualenv, pip, Docker und verschiedenen anderen Installationsmethoden.

Hinweis. Wenn Sie Windows einsetzen, können Sie TensorFlow mit Conda installieren. Es gibt jedoch eine Community, die bei der Installation von TensorFlow hilft, daher ist es besser, die offizielle Installationsanleitung zu lesen.

Lassen Sie uns überprüfen, ob TensorFlow korrekt eingestellt ist. Dazu müssen Sie es in einen Arbeitsbereich namens tf importieren:

import tensorflow as tf

Achten Sie darauf, dass der in dieser Codezeile verwendete Name eine Art Vereinbarung ist. Es wird sowohl in der Gemeinschaft der Entwickler, die TensorFlow in ihren Data Science-Projekten einsetzen, als auch in TensorFlow-Projekten mit Open Source Code allgemein akzeptiert.

Erste Schritte mit TensorFlow

In der Regel werden TensorFlow-Programme blockweise gestartet. Auf den ersten Blick scheint es im Widerspruch zu den Programmierprinzipien von Python zu stehen. Wenn Sie möchten, können Sie jedoch auch interaktive TensorFlow-Sitzungen verwenden, bei denen die Bibliothek enger zusammenarbeitet. Dies ist besonders hilfreich, wenn Sie bereits mit IPython gearbeitet haben.

In diesem Tutorial werden wir uns mit der zweiten Option befassen: Sie wird Ihnen helfen, mehr über TensorFlow zu erfahren. Aber bevor wir zu den schwierigen Aufgaben übergehen, versuchen wir zunächst, ein paar primitive zu lösen.

Zuerst importieren Sie die Tensorflow-Bibliothek namens tf. Initialisieren Sie dann die beiden konstanten Variablen. Geben Sie ein Array mit vier Zahlen in die constant( ) Funktion ein.

Achten Sie darauf, dass Sie auch eine ganze Zahl eingeben können, aber meistens werden Sie mit Arrays arbeiten. Wie Sie in der Einleitung gesehen haben, sind Tensoren Arrays! Achten Sie daher darauf, dass Sie das Array übergeben. Dann können Sie multiply( ) verwenden, um zwei Variablen zu multiplizieren. Speichern Sie das Ergebnis in der result variablen. Geben Sie schließlich das Ergebnis mit print( ) aus.

# Import `tensorflow`
import tensorflow as tf

# Initialize two constants
x1 = tf.constant([1,2,3,4])
x2 = tf.constant([5,6,7,8])

# Multiply
result = tf.multiply(x1, x2)

# Print the result
print(result)

Wir weisen darauf hin, dass der folgende Code verwendet werden kann, um eine interaktive Sitzung zu starten. Starten Sie das result und schließen Sie die Sitzung automatisch nach der output:

# Import `tensorflow`
import tensorflow as tf

# Initialize two constants
x1 = tf.constant([1,2,3,4])
x2 = tf.constant([5,6,7,8])

# Multiply
result = tf.multiply(x1, x2)

# Initialize Session and run `result`
with tf.Session() as sess:
output = sess.run(result)
print(output)

Sie haben gerade in diesen Blöcken die Standardsitzung definiert, können aber auch die Parameter einstellen. Sie können beispielsweise das Konfigurationsargument angeben und dann den ConfigProto-Protokollpuffer verwenden, um Sitzungskonfigurationsparameter hinzuzufügen.

config= tf.ConfigProto (log_device_placement = True)

Wenn Sie beispielsweise zu einer Sitzung hinzufügen, stellen Sie sicher, dass Sie die GPU oder das CPU-Gerät registriert haben, das der Operation zugeordnet ist. Sie erhalten dann für jeden Vorgang Informationen darüber, welche Geräte in der Sitzung verwendet werden. Wenn Sie weiche Einschränkungen für die Platzierung von Geräten verwenden, können Sie die folgende Sitzungskonfiguration einsetzen:

congif= tf.ConfigProto (allow_soft_placement = True)

Nun, da Sie TensorFlow installiert und in den Arbeitsbereich importiert haben und die Grundlagen der Arbeit mit dem Paket gelernt haben, lassen Sie uns dieses Wissen für eine Weile beiseite legen und uns die Daten ansehen. Bevor Sie mit der Modellierung eines neuronalen Netzwerks beginnen, müssen Sie wie immer Ihre Daten sorgfältig untersuchen und deren Struktur verstehen.

Welche Algorithmen und Methoden werden in Ihrem Umfeld eingesetzt?

Welche Zielfunktionen kommen Ihnen in Frage?

Auf diese und weitere Fragen beantwortet gerne das AI United Team per Email oder in dem Q&A Bereich.

Quellen: https://neurohive.io/ru/osnovy-data-science/tensorflow-tutorial-chast-2-ustanovka-i-nachalnaja-nastrojka/

AI-United-Redaktion

Kommentar hinzufügen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.