TensorFlow For LuckyTemplates petuleht

TensorFlow on Google'i peamine masinõppe raamistik ning iga uus versioon toob kaasa laia valikut võimalusi ja funktsioone. Kui olete õppimiskõverale tõusnud, saate kirjutada keerukaid masinõpperakendusi ja neid suurel kiirusel käivitada.

Kuid õppimiskõvera tõus ei ole lihtne – suure jõuga kaasneb suur keerukus. Ronimisel abistamiseks peate olema teadlik TensorFlow andmetüüpidest, TensorBoardi utiliidist ja rakenduste juurutamisest Google'i masinõppemootorisse.

TensorFlow põhiandmetüübid

Saate kirjutada TensorFlow rakendusi mitmes erinevas keeles, näiteks Python, C++ ja Java. Kuid olenemata sellest, millist keelt te kasutate, peate olema tuttav TensorFlow-spetsiifiliste andmetüüpidega.

• Tensorid ja kohahoidjad: tensor on klassi Tensor eksemplar ja see toimib üldotstarbelise mitmemõõtmelise massiivina. Kohatäide on samuti tensor, kuid koodis initsialiseerimise asemel saab see seansist andmeid, mis kehtivad seansi ühe täitmise ajal. Kohatäited võimaldavad tensori sisu värskendada ühest seansi täitmisest teise.
• Graafikud: Graafik on loendile või korteile sarnane konteiner. Korraga saab aktiivne olla ainult üks graaf ja kui kodeerite tensoreid või muutujaid aktsepteerivat toimingut, salvestatakse tensorid, muutujad ja tehing graafiku elementidena. Kui loote optimeerija ja kutsute selle minimeerimismeetodi, salvestab TensorFlow saadud toimingu graafikule.
• Seansid . Graafikud salvestavad toiminguid, kuid nad ei saa toiminguid ise sooritada. Selle asemel peate looma seansi ja helistama selle käitamismeetodile. Kui kutsute välja tenosori või toiminguga käivitamise, teostab meetod soovitud tulemuse saamiseks vajalikud toimingud graafikus.
• Optimeerijad . Masinõppe eesmärk on täpsustada reaalse maailma matemaatilist mudelit, kuni see sarnaneb süsteemiga võimalikult täpselt. Seda täiustamisprotsessi nimetatakse optimeerimiseks ja teadlased on välja töötanud palju optimeerimismeetodeid. TensorFlow toetab paljusid neist algoritmidest ja pakub igaühe jaoks optimeerimisklassi. Sõltumata klassist saate optimeerimistoimingu, kutsudes esile optimeerija minimeerimismeetodi.
• Muutujad . Erinevalt tensoritest ja kohahoidjatest on muutuja klassi Variable eksemplar. Selle esmane eesmärk on sisaldada optimeerimisprotsessi käigus uuendatavaid andmeid. Näiteks kui teie rakendus modelleerib sirgjoonega süsteemi, salvestate muutujatena joone kalde ja y -lõike. Kuid enne, kui saate mudeli optimeerimiseks muutujaid kasutada, peate looma ja täitma spetsiaalsed lähtestamistoimingud.
• Hindajad . Kui te ei soovi tegeleda madala tasemega andmestruktuuridega, nagu seansid ja graafikud, saate TensorFlow prognoosija API abil käivitada masinõppe algoritme. Hindaja on klassi Estimator eksemplar ja iga hindaja kehastab masinõppe algoritmi. Hindajate kasutamise peamine eelis on see, et neil kõigil on masinõppeprotsessi käivitamiseks samad kolm meetodit: treenimine, hindamine ja ennustamine.

Kuidas kasutada TensorBoardi TensorFlow's

TensorFlow installimisel pakub installer ka käsurea utiliiti nimega TensorBoard. See loob graafikud, mis võimaldavad teil oma TensorFlow rakenduse tööd visualiseerida. TensorBoard teeb teie programmides vigade leidmise lihtsaks, kuid seda pole lihtne kasutada. Andmete genereerimiseks ja graafikute vaatamiseks TensorFlow's peate tegema kuus sammu:

Loo kokkuvõtlikud toimingud.
Enne andmete vaatamist TensorBoardis peate tuvastama kuvatavad andmed, luues eritoimingud, mida nimetatakse kokkuvõtvateks toiminguteks. Neid toiminguid saate luua paketi tf.summary funktsioonide kutsumisega. Näiteks saate luua kokkuvõtliku toimingu ühe väärtuse jaoks, kutsudes esile tf.summary.scalar. Saate luua väärtuste seeria jaoks kokkuvõtliku toimingu, kutsudes esile tf.summary.histogrammi. Saate toiminguid omavahel kombineerida, kutsudes välja sellise funktsiooni nagu tf.summary.merge_all.

Tehke kokkuvõtlikud toimingud.
Pärast ühe või mitme kokkuvõtliku toimingu loomist saate kokkuvõtlikud andmed hankida, sooritades toiminguid seansi jooksul. Selle tulemusena tagastab seanss protokolli puhvri, mis sisaldab rakenduse kokkuvõtlikke andmeid.

Looge FileWriter.
Enne kokkuvõtlike andmete faili printimist peate looma FileWriteri, helistades aadressile tf.summary.FileWriter. See konstruktor aktsepteerib palju argumente, kuid ainus nõutav argument on kokkuvõtlikke andmeid sisaldava kataloogi nimi.

Printige kokkuvõtlikud andmed.
FileWriteri klassil pole lihtsat printimismeetodit. Selle asemel peate kokkuvõtlike andmete faili printimiseks kutsuma välja FileWriteri add_summary meetodi. See meetod kirjutab sündmuse faili FileWriteri konstruktoris määratud kataloogi. Pärast andmete printimist on eksemplari hävitamiseks hea kutsuda FileWriteri sulgemismeetod.

Käivitage TensorBoard.
Pärast TensorFlow installimist kuvatakse ülataseme skriptide kataloogis tensorboardi utiliit. Utiliidi saate käivitada, käivitades tensorboardi käsu ja määrates suvandi logdir koondandmeid sisaldava kataloogi nimele. Näiteks kui kokkuvõtlikud andmed on väljundkataloogis, saate käivitada TensorBoardi, käivitades käsurealt tensorboard –logdir=output.

Vaadake TensorBoardi brauseris.
Pärast utiliidi TensorBoard käivitamist saate vaadata selle liidest, avades brauseri. Vaike-URL on http://localhost:6006, kuid saate seda konfigureerida, määrates tensorboardi käsus hosti ja pordi suvandid.

Kuidas käivitada TensorFlow pilves

Parim põhjus TensorFlow masinõppeks kasutamiseks on see, et saate oma rakendusi pilves käitada. Täpsemalt saate TensorFlow programmid juurutada masinõppemootorisse (ML), mille Google teeb kättesaadavaks Google'i pilveplatvormi (GCP) osana. See juurutusprotsess koosneb seitsmest etapist:

Looge Google Cloud Platformi projekt.
Kui töötate GCP-ga, toimib projekt konfiguratsiooniseadete ja lähtefailide keskse konteinerina. Saate luua uue projekti, külastades Google'i pilveplatvormi , klõpsates valikul Projekti valimine ja klõpsates dialoogiboksis Vali plussnupul. Saate valida oma projekti nime, kuid GCP määrab projekti ID, mis on unikaalne kõigi GCP projektide seas.

Lubage juurdepääs ML-mootorile.
Igal uuel GCP-projektil on juurdepääs paljudele Google'i võimalustele, sealhulgas andmesalvele ja pilvesalvestusele. Kuid vaikimisi ei saa GCP-projektid rakendusi ML-mootorisse juurutada. Juurdepääsu lubamiseks avage projekti lehe vasakus ülanurgas menüü, valige API-d ja teenused ning seejärel klõpsake nuppu Teek. Klõpsake linki pealkirjaga Google Cloud Machine Learning Engine ja seejärel nuppu LUBATA.

Installige pilvetarkvara arenduskomplekt (SDK).
GCP-le pääsete juurde käsurealt, installides Google'i pilve SDK . Selle allalaadimiseks klõpsake oma operatsioonisüsteemile vastavat linki. Kui installimine on lõppenud, pääsete SDK-le juurde, käivitades käsureal gcloudi käske.

Laadige treening-/ennustusandmed pilvesalvestusse üles.
ML Engine pääseb teie treeningu-/ennustusandmetele juurde ainult siis, kui laadite need üles Google'i pilvesalvestusse. Cloud Storage'iga saate suhelda käsurealt Cloud SDK pakutava utiliidi gsutil kaudu. Cloud Storage'i andmed sisalduvad kataloogilaadsetes struktuurides, mida nimetatakse ämbriteks, ja kui laadite faili ämbrisse, nimetatakse andmestruktuuri objektiks.

Lisage oma rakenduse paketti moodul setup.py.
Pythoni rakenduse ML-mootorile juurdepääsetavaks muutmiseks peate selle struktureerima paketina. Iga paketi tippkataloogis peab olema moodul setup.py. See moodul peab esitama koodi setuptools.setup jaoks, mis pakub ML-mootorile konfiguratsiooniteavet.

Käivitage ML Enginei koolitustöö.
Mudeli pilves treenimiseks peate käivitama koolitustöö, käivitades gcloud ml-mootori tööde esitamise koolituse koos sobivate valikutega. Valikud hõlmavad --package-path, mis tuvastab paketi asukoha, --mooduli nimi, mis annab Pythoni mooduli nime, ja –job-dir, mis ütleb ML Engine'ile, kuhu väljund salvestada. Kui treening on lõppenud, loob ML Engine SavedModeli, mis sisaldab treenitud tulemusi.

Käivitage ML Engine'i jaoks ennustustöö.
Pärast SavedModeli hankimist saate ML-mootorit kasutada prognooside tegemiseks, käivitades gcloud ml-mootori ülesanded, mis esitavad ennustuse koos sobivate suvanditega. Valikud hõlmavad --input-paths, mis tuvastab projekti sisendfailide asukoha, --data-format, mis ütleb ML-mootorile, kuidas sisendandmed vormindatakse, ja --output-path, mis määrab, kus ennustusväljund peaks olema salvestada.