Tensorflow Là Gì? Tìm Hiểu Chi Tiết Về Tensorflow

  -  

Mục lục nội dung

Lịch sử thành lập TensorFlowCách TensorFlow hoạt độngVí dụ TensorFlow đối kháng giảnCác option tải tài liệu vào TensorFlowGiải pháp vẫn là gì?Tạo đường ống TensorFlow10 tài liệu thiết kế đág coi qua nhất về Tensorflow

Tensorflow là gì – với việc bùng nổ của nghành Trí Tuệ tự tạo – A.I. Trong thập kỷ vừa qua, machine learning cùng deep learning cụ thể cũng trở nên tân tiến theo cùng. Và ở thời khắc hiện tại, TensorFlow chính là thư viện mã nguồn mở cho machine learning danh tiếng nhất ráng giới, được trở nên tân tiến bởi các nhà nghiên cứu và phân tích từ Google. Việc cung cấp mạnh mẽ các phép toán học tập để thống kê giám sát trong machine learning cùng deep learning đã hỗ trợ việc tiếp cận các bài toán trở nên đơn giản, hối hả và tiện nghi hơn nhiều. 

Các hàm được dựng sẵn vào thư viện cho từng bài bác toán có thể chấp nhận được TensorFlow xây dựng được không ít neural network. Nó còn cho phép bạn giám sát và đo lường song song trên nhiều máy tính khác nhau, thậm chí là trên những CPU, GPU trong cùng 1 thứ hay tạo thành các dataflow graph – đồ vật thị luồng tài liệu để dựng nên những model. Nếu bạn muốn chọn tuyến đường sự nghiệp trong lĩnh vực A.I. Này, nắm vững những điều cơ phiên bản của TensorFlow thực sự cực kỳ quan trọng.

Bạn đang xem: Tensorflow là gì? tìm hiểu chi tiết về tensorflow

Được viết bởi C++ và thao tác làm việc interface bằng Python nên phần performance của TensorFlow cực kì tốt. Đối tượng áp dụng nó cũng phong phú không kém: từ các nhà nghiên cứu, đơn vị khoa học tài liệu và tất nhiên không thể thiếu các lập trình viên. 


*
*
Cuối cùng, chúng ta chạy 1 session TensorFlow mà lại sẽ chạy vật dụng thị tính toán với cực hiếm của X_1 và X_2 với print phần công dụng của phép nhân. Hãy xác minh các đầu vào node của X_1 và X_2. Khi ta sản xuất 1 node trong TensorFlow, chúng ta phải lựa chọn nó là các loại node gì. Các node X1 với X2 sẽ là node placeholder – node giữ lại chỗ. Placeholder hướng đẫn 1 quý giá mới mỗi một khi ta có tác dụng 1 phép tính. Ta sẽ khởi tạo chúng như là một node TF chấm placeholder.

Bước 1: xác minh giá trị

X_1 = tf.placeholder(tf.float32, name = "X_1")X_2 = tf.placeholder(tf.float32, name = "X_2")Khi ta chế tác 1 node placeholder, ta yêu cầu gửi một số loại dữ liệu sẽ tiến hành thêm số tại đây yêu cầu ta hoàn toàn có thể sử dụng 1 loại tài liệu floating-point, hãy sử dụng tf.float32. Chúng ta cũng cần được cho node này 1 loại tên. Thương hiệu này sẽ xuất hiện khi ta nhìn vào phần trực quan lại dạng đồ vật thị của model. Hãy đặt tên node X_1 này bằng phương pháp nhập 1 tham số được gọi là tên với một giá trị của X_1 và bây giờ hãy xác minh X_2 theo phong cách tương tự.

Bước 2: khẳng định phần tính toán

multiply = tf.multiply(X_1, X_2, name = "multiply")Giờ ta có thể xác định node sẽ thực hiện operation phép nhân. Vào TensorFlow, chúng ta cũng có thể làm điều đó bằng cách tạo 1 node tf.multiply.Ta vẫn nhập node X_1 và X_2 cho tới node nhân. Nó đã nói với TensorFlow để links những node đó trong thiết bị thị tính toán, buộc phải ta đang yêu thương cầu nó để pull các giá trị từ bỏ x và y và nhân phần kết quả. Hãy mang đến node nhân cái thương hiệu multiply. Nó là toàn cục định nghĩa mang lại đồ thị tính toán đơn giản này.

Bước 3: thực thi operation

Để thực thi những operation trong thứ thị, ta phải tạo lập 1 session. Trong TensorFlow, nó được tiến hành bằng tf.Session(). Giờ ta có một session ta rất có thể hỏi session để chạy operation trên trang bị thị đo lường và tính toán của ta bằng phương pháp gọi session. Để chạy phần tính toán, họ sẽ sử dụng run.Khi operation bổ sung cập nhật chạy, nó vẫn thấy rằng nó cần để mang các quý giá của node X_1 cùng X_2, nên bọn họ cũng cần hỗ trợ các trị đến X_1 cùng X_2. Ta hoàn toàn có thể dùng điều đó bằng phương pháp cung cấp cho 1 thông số được gọi là feed_dict. Bọn họ chuyển giá trị 1,2,3 mang lại X_1 cùng 4,5,6 đến X_2.Chúng ta print phần tác dụng với print(result). Chúng ta sẽ thấy 4,10 với 18 mang lại 1×4, 2×5 cùng 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.>

Các option tải dữ liệu vào TensorFlow

Bước trước tiên trước khi train 1 thuật toán machine learning là load dữ liệu. Tất cả 2 biện pháp thông dụng để load dữ liệu:1. Load dữ liệu vào bộ nhớ: đây là phương pháp đơn giản nhất. Các bạn load toàn bộ dữ liệu vào bộ lưu trữ như 1 mảng đơn. Bạn cũng có thể viết code bằng Python. Mọi dòng code này không liên quan gì tới TensorFlow.

Xem thêm: Nghĩa Của Từ Freight Là Gì, Thuật Ngữ Trong Logistics Và Vận Tải Quốc Tế

2. Pipeline dữ liệu TensorFlow. TensorFlow tải built-in API cùng nó sẽ giúp bạn load dữ liệu, thực thi những operation cùng feed thuật toán machine learning một cách dễ dàng. Phương pháp này hoạt động tốt quan trọng khi bạn có một dataset lớn. Ví dụ: các hình hình ảnh thu được được biết khá là to con và quan trọng fit vào cỗ nhớ. Pipeline dữ liệu sẽ tự thống trị phần cỗ nhớ.

Giải pháp đã là gì?

Load dữ liệu vào cỗ nhớ

Nếu dataset của người tiêu dùng không thừa lớn, chẳng hạn như dưới 10 GB, chúng ta cũng có thể dùng cách thức đầu tiên. Dữ liệu hoàn toàn có thể dễ dàng fit vào cỗ nhớ. Chúng ta cũng có thể dùng 1 tủ sách nổi tiếng có tên là Pandas nhằm import các tệp CSV. 1

Load tài liệu với TensorFlow pipeline

Phương pháp thứ hai sẽ chuyển động tốt độc nhất vô nhị nếu bạn có một dataset lớn. Ví dụ: nếu bạn có 1 dataset nặng nề 50 GB và máy tính của chúng ta chỉ gồm 16GB dung tích thì rõ ràng là máy đang crash thôi.

Trong tình huống này, bạn phải dựng 1 TensorFlow pipeline. Đường ống vẫn load tài liệu trong batch, hay chunk nhỏ. Mỗi batch sẽ tiến hành push cho tới pipeline và sẵn sàng cho việc training. Dựng 1 pipeline là 1 giải pháp tuyệt vời vị nó còn cho bạn sử dụng phép giám sát song song. Tức là TensorFlow vẫn train mã sản phẩm qua nhiều CPU. Liên quan sự giám sát và đo lường và chất nhận được training màng lưới thần kinh mạnh khỏe hơn.Tóm tắt:

-Nếu bạn có 1 set tài liệu nhỏ, bạn có thể load dữ liệu trong bộ nhớ lưu trữ với tủ sách Pandas.

Xem thêm: Xe Mt Và At Là Gì ? So Sánh Xe Mt Và At

-Nếu bạn có 1 set tài liệu lớn và muốn sử dụng các CPU, thì bạn sẽ thoải mái hơn khi thao tác làm việc cùng TensorFlow pipeline.