TensorFlow For LuckyTemplates -huijauslehti

TensorFlow on Googlen johtava koneoppimiskehys, ja jokainen uusi versio tuo mukanaan laajan valikoiman ominaisuuksia ja ominaisuuksia. Kun olet noussut oppimiskäyrään, voit kirjoittaa kehittyneitä koneoppimissovelluksia ja suorittaa niitä suurella nopeudella.

Mutta oppimiskäyrällä nouseminen ei ole helppoa – suurella teholla tuo mukanaan suurta monimutkaisuutta. Kiipeämisen helpottamiseksi sinun on oltava tietoinen TensorFlown tietotyypeistä, TensorBoard-apuohjelmasta ja sovellusten käyttöönotosta Googlen koneoppimismoottorissa.

TensorFlow'n perustietotyypit

Voit kirjoittaa TensorFlow-sovelluksia useilla eri kielillä, kuten Python, C++ ja Java. Mutta riippumatta siitä, mitä kieltä käytät, sinun on tunnettava sarja TensorFlow-spesifisiä tietotyyppejä:

• Tensorit ja paikkamerkit: Tensori on Tensor-luokan esiintymä, ja se toimii yleiskäyttöisenä moniulotteisena taulukona. Paikkamerkki on myös tensori, mutta sen sijaan, että se alustettaisiin koodissa, se vastaanottaa istunnosta dataa, joka on voimassa istunnon yhden suorituksen aikana. Paikkamerkit mahdollistavat tensorin sisällön päivittämisen istunnon suorituksesta toiseen.
• Kaaviot: Kaavio on luetteloa tai monikkoa muistuttava säilö. Vain yksi graafi voi olla aktiivinen kerrallaan, ja kun koodaat toiminnon, joka hyväksyy tensorit tai muuttujat, tensorit, muuttujat ja operaatio tallennetaan elementteinä kuvaajaan. Kun luot optimoijan ja kutsut sen minimointimenetelmää, TensorFlow tallentaa tuloksena olevan operaation kaavioon.
• Istunnot . Graafit tallentavat toimintoja, mutta ne eivät voi suorittaa toimintoja itse. Sen sijaan sinun on luotava istunto ja kutsuttava sen suoritusmenetelmä. Jos kutsut run kanssa tensorin tai toiminnon, menetelmä suorittaa kaaviossa tarvittavat toiminnot halutun tuloksen saavuttamiseksi.
• Optimoijat . Koneoppimisen tavoitteena on jalostaa todellisen maailman järjestelmän matemaattista mallia, kunnes se muistuttaa järjestelmää mahdollisimman paljon. Tätä jalostusprosessia kutsutaan optimointiksi, ja tutkijat ovat kehittäneet monia optimointimenetelmiä. TensorFlow tukee monia näistä algoritmeista ja tarjoaa jokaiselle optimointiluokan. Luokasta riippumatta voit saada optimointioperaation kutsumalla optimoijan minimointimenetelmää.
• Muuttujat . Toisin kuin tensorit ja paikkamerkit, muuttuja on Variable-luokan esiintymä. Sen ensisijaisena tarkoituksena on sisältää optimointiprosessin aikana päivitettävät tiedot. Jos sovelluksesi esimerkiksi mallintaa järjestelmää suoralla viivalla, tallennat muuttujiksi viivan kaltevuuden ja y- leikkauspisteen. Mutta ennen kuin voit käyttää muuttujia mallin optimointiin, sinun on luotava ja suoritettava erityisiä alustustoimintoja.
• Arvioijat . Jos et halua käsitellä matalan tason tietorakenteita, kuten istuntoja ja kaavioita, voit suorittaa koneoppimisalgoritmeja TensorFlow'n Estimator API:n avulla. Estimaattori on Estimator-luokan esiintymä, ja jokainen estimaattori sisältää koneoppimisalgoritmin. Estimaattorien käytön suurin etu on, että niillä kaikilla on samat kolme menetelmää koneoppimisprosessin käynnistämiseen: harjoittele, arvioi ja ennusta.

TensorBoardin käyttäminen TensorFlowissa

Kun asennat TensorFlow'n, asennusohjelma tarjoaa myös komentorivityökalun nimeltä TensorBoard. Tämä luo kaavioita, joiden avulla voit visualisoida TensorFlow-sovelluksesi toiminnan. TensorBoardin avulla on helppo löytää virheitä ohjelmistasi, mutta se ei ole helppokäyttöinen. Tietojen luomiseksi ja kaavioiden tarkastelemiseksi TensorFlowissa sinun on suoritettava kuusi vaihetta:

Luo yhteenvetotoimintoja.
Ennen kuin voit tarkastella tietoja TensorBoardissa, sinun on tunnistettava näytettävät tiedot luomalla erityistoimintoja, joita kutsutaan yhteenvetotoiminnoiksi. Voit luoda nämä toiminnot kutsumalla tf.summary-paketin toimintoja. Voit esimerkiksi luoda yhteenvetotoiminnon yhdelle arvolle kutsumalla tf.summary.scalar. Voit luoda yhteenvetotoiminnon arvosarjalle kutsumalla tf.summary.histogram. Voit yhdistää toimintoja yhteen kutsumalla funktiota, kuten tf.summary.merge_all.

Suorita yhteenvetotoiminnot.
Kun olet luonut yhden tai useamman yhteenvetotoiminnon, voit saada yhteenvetotiedot suorittamalla toiminnot istunnossa. Tämän seurauksena istunto palauttaa protokollapuskurin, joka sisältää sovelluksen yhteenvetotiedot.

Luo FileWriter.
Ennen kuin voit tulostaa yhteenvetotiedot tiedostoon, sinun on luotava FileWriter kutsumalla tf.summary.FileWriter. Tämä rakentaja hyväksyy monia argumentteja, mutta ainoa vaadittu argumentti on yhteenvetotiedot sisältävän hakemiston nimi.

Tulosta yhteenvetotiedot.
FileWriter-luokassa ei ole yksinkertaista tulostusmenetelmää. Sen sijaan sinun on kutsuttava FileWriterin add_summary-menetelmä tulostaaksesi yhteenvetotiedot tiedostoon. Tämä menetelmä kirjoittaa tapahtumatiedoston FileWriter-konstruktorissa määritettyyn hakemistoon. Kun olet tulostanut tiedot, on hyvä idea kutsua FileWriterin sulkemismenetelmä ilmentymän tuhoamiseksi.

Käynnistä TensorBoard.
Kun olet asentanut TensorFlow'n, tensorboard-apuohjelma tulee näkyviin ylätason komentosarjahakemistoon. Voit käynnistää apuohjelman suorittamalla tensorboard-komennon ja asettamalla logdir-vaihtoehdon yhteenvetotiedot sisältävän hakemiston nimeen. Jos yhteenvetotiedot ovat esimerkiksi tuloshakemistossa, voit käynnistää TensorBoardin suorittamalla tensorboard –logdir=output komentorivillä.

Tarkastele TensorBoardia selaimessa.
Kun olet käynnistänyt TensorBoard-apuohjelman, voit tarkastella sen käyttöliittymää avaamalla selaimen. Oletus-URL-osoite on http://localhost:6006, mutta voit määrittää tämän asettamalla isäntä- ja porttiasetukset tensorboard-komennossa.

TensorFlow:n suorittaminen pilvessä

Paras syy käyttää TensorFlow'ta koneoppimiseen on se, että voit ajaa sovelluksiasi pilvessä. Tarkemmin sanottuna voit ottaa TensorFlow-ohjelmia käyttöön Machine Learning (ML) Enginessä, jonka Google tarjoaa osana Google Cloud Platformia (GCP). Tämä käyttöönottoprosessi koostuu seitsemästä vaiheesta:

Luo Google Cloud Platform -projekti.
Kun työskentelet GCP:n kanssa, projekti toimii määritysasetusten ja lähdetiedostojen keskeisenä säilönä. Voit luoda uuden projektin käymällä Google Cloud -alustalla , napsauttamalla Valitse projekti ja napsauttamalla pluspainiketta Valitse-valintaikkunassa. Voit valita projektisi nimen, mutta GCP asettaa projektin tunnuksen, joka on ainutlaatuinen kaikissa GCP-projekteissa.

Salli pääsy ML Engineen.
Jokainen uusi GCP-projekti voi käyttää useita Googlen ominaisuuksia, mukaan lukien Datastore ja Cloud Storage. Mutta oletusarvoisesti GCP-projektit eivät voi ottaa sovelluksia käyttöön ML Enginessä. Ota käyttöoikeus käyttöön avaamalla projektisivun vasemmassa yläkulmassa oleva valikko, valitsemalla API ja palvelut ja napsauttamalla sitten Kirjasto. Napsauta Google Cloud Machine Learning Engine -linkkiä ja napsauta sitten OTA KÄYTTÖÖN -painiketta.

Asenna Cloud Software Development Kit (SDK).
Voit käyttää GCP:tä komentoriviltä asentamalla Googlen Cloud SDK:n . Lataa tämä napsauttamalla käyttöjärjestelmällesi sopivaa linkkiä. Kun asennus on valmis, voit käyttää SDK:ta suorittamalla gcloud-komentoja komentorivillä.

Lataa harjoitus-/ennustustiedot Cloud Storageen.
ML Engine pääsee käsiksi harjoitus-/ennustetietoihisi vain, jos lataat ne Googlen Cloud Storageen. Voit olla vuorovaikutuksessa Cloud Storagen kanssa komentoriviltä Cloud SDK:n tarjoaman gsutil-apuohjelman kautta. Cloud Storage -tiedot sisältyvät hakemistomaisiin rakenteisiin, joita kutsutaan ämpeiksi, ja kun lataat tiedoston säilöyn, tietorakennetta kutsutaan objektiksi.

Lisää setup.py-moduuli sovelluksesi pakettiin.
Jotta Python-sovellus olisi ML Enginen käytettävissä, sinun on rakennettava se paketiksi. Jokaisen paketin ylätason hakemistossa on oltava setup.py-moduuli. Tämän moduulin on annettava koodi setuptools.setupille, joka tarjoaa määritystiedot ML Enginelle.

Aloita koulutustyö ML Enginelle.
Jotta voit kouluttaa mallisi pilvessä, sinun on käynnistettävä koulutustyö suorittamalla gcloud ml-engine jobs lähettää koulutus sopivilla vaihtoehdoilla. Vaihtoehdot sisältävät --package-path, joka identifioi paketin sijainnin, --module-name, joka antaa Python-moduulin nimen, ja -job-dir, joka kertoo ML Enginelle, minne tulosteet tallennetaan. Kun harjoitus on valmis, ML Engine tuottaa SavedModelin, joka sisältää harjoitellut tulokset.

Käynnistä ennustustyö ML Enginelle.
Kun olet hankkinut SavedModelin, voit käyttää ML Engineä ennustamiseen suorittamalla gcloud ml-engine -työt lähettää ennusteen sopivilla vaihtoehdoilla. Vaihtoehtoja ovat --input-paths, joka tunnistaa projektin syöttötiedostojen sijainnin, --data-format, joka kertoo ML Enginelle, kuinka syöttötiedot on muotoiltu, ja --output-path, joka määrittää, missä ennusteen tulosteen tulee olla varastoida.