TensorFlow For LuckyTemplates snydeark

TensorFlow er Googles førende ramme for maskinlæring, og hver ny version byder på en bred vifte af muligheder og funktioner. Når du har steget indlæringskurven, kan du skrive sofistikerede maskinlæringsapplikationer og udføre dem i høj hastighed.

Men det er ikke let at stige op ad læringskurven - med stor kraft følger stor kompleksitet. For at hjælpe dig med at klatre skal du være opmærksom på TensorFlows datatyper, TensorBoard-værktøjet og implementeringen af ​​applikationer til Googles Machine Learning Engine.

Grundlæggende datatyper i TensorFlow

Du kan skrive TensorFlow-applikationer på en række forskellige sprog, såsom Python, C++ og Java. Men uanset hvilket sprog du bruger, skal du være bekendt med en række TensorFlow-specifikke datatyper:

• Tensorer og pladsholdere: En tensor er en forekomst af Tensor-klassen, og den fungerer som en multidimensional matrix til generelle formål. En pladsholder er også en Tensor, men i stedet for at blive initialiseret i kode, modtager den data fra en session, der vil være gyldig under en afvikling af sessionen. Pladsholdere gør det muligt at opdatere en tensors indhold fra den ene sessionsudførelse til den næste.
• Grafer: En graf er en beholder, der ligner en liste eller en tupel. Kun én graf kan være aktiv ad gangen, og når du koder en operation, der accepterer tensorer eller variabler, gemmes tensorerne, variablerne og operationen som elementer i grafen. Når du opretter en optimizer og kalder dens minimeringsmetode, gemmer TensorFlow den resulterende operation i grafen.
• Sessioner . Grafer gemmer operationer, men de kan ikke udføre operationer af sig selv. I stedet skal du oprette en session og kalde dens kørselsmetode. Hvis du kalder kørsel med en tensor eller operation, vil metoden udføre de operationer i grafen, der er nødvendige for at opnå det ønskede resultat.
• Optimeringsværktøjer . Målet med maskinlæring er at forfine en matematisk model af et system i den virkelige verden, indtil det ligner systemet så tæt som muligt. Denne forfiningsproces kaldes optimering, og forskere har udtænkt mange optimeringsmetoder. TensorFlow understøtter mange af disse algoritmer og giver en optimeringsklasse for hver. Uanset klassen kan du opnå en optimeringsoperation ved at kalde optimizerens minimeringsmetode.
• Variabler . I modsætning til tensorer og pladsholdere er en variabel en forekomst af Variable-klassen. Dens primære formål er at indeholde data, der skal opdateres under optimeringsprocessen. Hvis din applikation f.eks. modellerer et system med en lige linje, gemmer du linjens hældning og y -afsnit som variable. Men før du kan bruge variabler til at optimere en model, skal du oprette og udføre specielle initialiseringsoperationer.
• Estimatorer . Hvis du hellere ikke vil beskæftige dig med datastrukturer på lavt niveau som sessioner og grafer, kan du udføre maskinlæringsalgoritmer ved hjælp af TensorFlows Estimator API. En estimator er en forekomst af Estimator-klassen, og hver estimator indeholder en maskinlæringsalgoritme. Den største fordel ved at bruge estimatorer er, at de alle har de samme tre metoder til at starte maskinlæringsprocessen: træne, evaluere og forudsige.

Sådan bruges TensorBoard i TensorFlow

Når du installerer TensorFlow, giver installationsprogrammet også et kommandolinjeværktøj ved navn TensorBoard. Dette genererer plots, der giver dig mulighed for at visualisere driften af ​​din TensorFlow-applikation. TensorBoard gør det nemt at finde fejl i dine programmer, men det er ikke nemt at bruge. For at generere data og se plottene i TensorFlow skal du udføre seks trin:

Opret oversigtsoperationer.
Før du kan se data i TensorBoard, skal du identificere de data, der skal vises, ved at oprette specielle operationer kaldet summary operations. Du kan oprette disse operationer ved at kalde funktioner i pakken tf.summary. For eksempel kan du oprette en oversigtshandling for en enkelt værdi ved at kalde tf.summary.scalar. Du kan oprette en opsummeringshandling for en række værdier ved at kalde tf.summary.histogram. Du kan kombinere operationer ved at kalde en funktion som tf.summary.merge_all.

Udfør oversigtshandlinger.
Når du har oprettet en eller flere oversigtshandlinger, kan du hente oversigtsdataene ved at udføre handlingerne i en session. Som et resultat vil sessionen returnere en protokolbuffer, der indeholder applikationens oversigtsdata.

Opret en FileWriter.
Før du kan udskrive oversigtsdataene til en fil, skal du oprette en FileWriter ved at kalde tf.summary.FileWriter. Denne konstruktør accepterer mange argumenter, men det eneste påkrævede argument er navnet på den mappe, der indeholder oversigtsdataene.

Udskriv oversigtsdataene.
FileWriter-klassen har ikke en simpel printmetode. I stedet skal du kalde FileWriters add_summary-metode for at udskrive oversigtsdata til en fil. Denne metode skriver hændelsesfilen til den mappe, der er angivet i FileWriter-konstruktøren. Når du har udskrevet dataene, er det en god idé at kalde FileWriters lukkemetode for at ødelægge forekomsten.

Start TensorBoard.
Når du har installeret TensorFlow, vises tensorboard-værktøjet i scriptbiblioteket på øverste niveau. Du kan starte værktøjet ved at udføre tensorboard-kommandoen og indstille logdir-indstillingen til navnet på den mappe, der indeholder oversigtsdataene. For eksempel, hvis oversigtsdata er i output-mappen, kan du starte TensorBoard ved at udføre tensorboard –logdir=output på en kommandolinje.

Se TensorBoard i en browser.
Når du har startet TensorBoard-værktøjet, kan du se dets grænseflade ved at åbne en browser. Standard-URL'en er http://localhost:6006, men du kan konfigurere dette ved at indstille værts- og portindstillinger i tensorboard-kommandoen.

Sådan kører du TensorFlow i skyen

Den bedste grund til at bruge TensorFlow til maskinlæring er, at du kan køre dine applikationer i skyen. Mere specifikt kan du implementere TensorFlow-programmer til Machine Learning (ML) Engine, som Google gør tilgængelig som en del af Google Cloud Platform (GCP). Denne implementeringsproces består af syv trin:

Opret et Google Cloud Platform-projekt.
Når du arbejder med GCP'en, fungerer et projekt som den centrale beholder for konfigurationsindstillinger og kildefiler. Du kan oprette et nyt projekt ved at besøge Google Cloud-platformen , klikke på Vælg et projekt og klikke på plusknappen i dialogboksen Vælg. Du kan vælge dit projekts navn, men GCP'en angiver projektets ID, som er unikt blandt alle GCP-projekter.

Aktiver adgang til ML Engine.
Hvert nyt GCP-projekt kan få adgang til en række af Googles muligheder, herunder Datastore og Cloud Storage. Men som standard kan GCP-projekter ikke implementere applikationer til ML Engine. For at aktivere adgang skal du åbne menuen øverst til venstre på projektsiden, vælge API'er og tjenester og derefter klikke på Bibliotek. Klik på linket med titlen Google Cloud Machine Learning Engine, og klik derefter på knappen AKTIVER.

Installer Cloud Software Development Kit (SDK).
Du kan få adgang til GCP fra en kommandolinje ved at installere Googles Cloud SDK . For at downloade dette skal du klikke på det relevante link til dit operativsystem. Når installationen er færdig, vil du være i stand til at få adgang til SDK'et ved at køre gcloud-kommandoer på en kommandolinje.

Upload trænings-/forudsigelsesdata til Cloud Storage.
ML Engine kan kun få adgang til dine trænings-/forudsigelsesdata, hvis du uploader dem til Googles Cloud Storage. Du kan interagere med Cloud Storage fra en kommandolinje gennem gsutil-værktøjet, der leveres af Cloud SDK. Cloud Storage-data er indeholdt i mappelignende strukturer kaldet buckets, og når du uploader en fil til en bucket, kaldes datastrukturen et objekt.

Tilføj et setup.py-modul i din applikations pakke.
For at gøre en Python-applikation tilgængelig for ML Engine, skal du strukturere den som en pakke. Hver pakke skal have et setup.py-modul i mappen på øverste niveau. Dette modul skal levere kode til setuptools.setup, som leverer konfigurationsoplysninger til ML Engine.

Start et træningsjob for ML Engine.
For at træne din model i skyen skal du starte et træningsjob ved at køre gcloud ml-engine jobs indsend træning med de relevante muligheder. Valgmulighederne inkluderer --package-path, som identificerer pakkens placering, --module-name, som angiver navnet på Python-modulet, og –job-dir, som fortæller ML Engine, hvor output skal lagres. Når træningen er færdig, vil ML Engine producere en SavedModel, der indeholder de trænede resultater.

Start et forudsigelsesjob til ML Engine.
Når du har opnået en SavedModel, kan du bruge ML Engine til at udføre forudsigelse ved at køre gcloud ml-engine-job og sende forudsigelse med de relevante muligheder. Valgmulighederne omfatter --input-stier, som identificerer placeringen af ​​projektets inputfiler, --data-format, som fortæller ML Engine, hvordan inputdataene formateres, og --output-sti, som identificerer, hvor forudsigelsesoutputtet skal blive opbevaret.