ТенсорФлов за ЛуцкиТемплатес Цхеат Схеет

ТенсорФлов је Гоогле-ов врхунски оквир за машинско учење, а свака нова верзија доноси широк спектар могућности и функција. Након што се попнете на криву учења, можете писати софистициране апликације за машинско учење и извршавати их великом брзином.

Али подизање криве учења није лако — са великом снагом долази и велика сложеност. Да бисте вам помогли у свом успону, морате бити свесни ТенсорФлов типова података, услужног програма ТенсорБоард и примене апликација на Гоогле-ов Енгине Леарнинг Енгине.

Основни типови података у ТенсорФлов-у

ТенсорФлов апликације можете писати на више различитих језика, као што су Питхон, Ц++ и Јава. Али без обзира који језик користите, морате бити упознати са низом типова података специфичних за ТенсорФлов:

• Тензори и чувари места: Тензор је инстанца класе Тенсор и служи као вишедимензионални низ опште намене. Чувар места је такође Тензор, али уместо да буде иницијализован у коду, он прима податке из сесије који ће бити важећи током једног извршавања сесије. Чувари места омогућавају ажурирање садржаја тензора од једног извршавања сесије до следећег.
• Графови: Графикон је контејнер сличан листи или точки. Само један граф може бити активан истовремено, а када кодирате операцију која прихвата тензоре или променљиве, тензори, променљиве и операција се чувају као елементи у графу. Када креирате оптимизатор и позовете његову методу минимизирања, ТенсорФлов чува резултујућу операцију у графикону.
• Сесије . Графови чувају операције, али не могу сами да извршавају операције. Уместо тога, потребно је да креирате сесију и позовете њен метод покретања. Ако позовете рун са тензором или операцијом, метода ће извршити операције на графу потребне за добијање жељеног резултата.
• Оптимизатори . Циљ машинског учења је да прецизира математички модел система у стварном свету све док не буде сличан систему што је више могуће. Овај процес пречишћавања назива се оптимизација, а истраживачи су осмислили многе методе оптимизације. ТенсорФлов подржава многе од ових алгоритама и обезбеђује класу оптимизатора за сваки. Без обзира на класу, можете добити операцију оптимизације позивањем минимизе методе оптимизатора.
• Променљиве . За разлику од тензора и чувара места, променљива је инстанца класе Вариабле. Његова примарна сврха је да садржи податке који се ажурирају током процеса оптимизације. На пример, ако ваши модели апликација систем са правом линијом, ви ћете чувати линији је нагиб и и -интерцепт као варијабли. Али пре него што можете да користите променљиве за оптимизацију модела, потребно је да креирате и извршите посебне операције иницијализације.
• Процењивачи . Ако не желите да се бавите структурама података ниског нивоа као што су сесије и графикони, можете да извршите алгоритме машинског учења користећи ТенсорФлов-ов Естиматор АПИ. Процењивач је инстанца класе Естиматор, а сваки естиматор отеловљује алгоритам машинског учења. Главна предност коришћења процењивача је та што сви они имају исте три методе за покретање процеса машинског учења: обуку, процену и предвиђање.

Како користити ТенсорБоард у ТенсорФлов-у

Када инсталирате ТенсорФлов, инсталатер такође обезбеђује услужни програм командне линије под називом ТенсорБоард. Ово генерише дијаграме који вам омогућавају да визуелизујете рад ваше ТенсорФлов апликације. ТенсорБоард олакшава проналажење грешака у вашим програмима, али није лако користити. Да бисте генерисали податке и видели графиконе у ТенсорФлов-у, потребно је да извршите шест корака:

Креирајте сумарне операције.
Пре него што будете могли да видите податке у ТенсорБоард-у, морате да идентификујете податке који ће бити приказани креирањем посебних операција које се називају операције сумирања. Можете креирати ове операције позивањем функција пакета тф.суммари. На пример, можете креирати операцију сумирања за једну вредност тако што ћете позвати тф.суммари.сцалар. Можете креирати операцију сумирања за низ вредности позивањем тф.суммари.хистограм. Можете комбиновати операције тако што ћете позвати функцију као што је тф.суммари.мерге_алл.

Извршите сумарне операције.
Након што креирате једну или више збирних операција, можете добити збирне податке извршавањем операција у сесији. Као резултат, сесија ће вратити бафер протокола који садржи збирне податке апликације.

Направите ФилеВритер.
Пре него што можете да одштампате збирне податке у датотеку, морате да креирате ФилеВритер позивањем тф.суммари.ФилеВритер. Овај конструктор прихвата много аргумената, али једини потребни аргумент је име директоријума који садржи збирне податке.

Одштампајте збирне податке.
Класа ФилеВритер нема једноставан метод штампања. Уместо тога, потребно је да позовете методу ФилеВритер адд_суммари да бисте одштампали збирне податке у датотеку. Овај метод уписује датотеку догађаја у директоријум наведен у конструктору ФилеВритер. Након што одштампате податке, добра је идеја да позовете метод затварања ФилеВритер-а да бисте уништили инстанцу.

Покрените ТенсорБоард.
Након што инсталирате ТенсорФлов, услужни програм тенсорбоард се појављује у директоријуму скрипти највишег нивоа. Можете покренути услужни програм тако што ћете извршити команду тенсорбоард и подесити опцију логдир на име директоријума који садржи збирне податке. На пример, ако се збирни подаци налазе у излазном директоријуму, можете покренути ТенсорБоард тако што ћете извршити тенсорбоард –логдир=оутпут на командној линији.

Погледајте ТенсорБоард у претраживачу.
Након што покренете услужни програм ТенсорБоард, можете да видите његов интерфејс отварањем претраживача. Подразумевана УРЛ адреса је хттп://лоцалхост:6006, али ово можете да конфигуришете тако што ћете подесити опције хоста и порта у команди тенсорбоард.

Како покренути ТенсорФлов у облаку

Најбољи разлог да користите ТенсорФлов за машинско учење је тај што можете да покрећете своје апликације у облаку. Тачније, можете да примените ТенсорФлов програме на машину за машинско учење (МЛ), коју Гоогле чини доступним као део Гоогле Цлоуд платформе (ГЦП). Овај процес постављања се састоји од седам корака:

Направите пројекат Гоогле Цлоуд Платформ.
Када радите са ГЦП-ом, пројекат служи као централни контејнер конфигурационих поставки и изворних датотека. Можете да креирате нови пројекат тако што ћете посетити Гоогле Цлоуд платформу , кликнути на Изабери пројекат и кликнути на дугме плус у оквиру за дијалог Селецт. Можете одабрати име свог пројекта, али ГЦП поставља ИД пројекта, који је јединствен међу свим ГЦП пројектима.

Омогућите приступ МЛ Енгине-у.
Сваки нови ГЦП пројекат може да приступи бројним Гоогле-овим могућностима, укључујући Датасторе и Цлоуд Стораге. Али по подразумеваној вредности, ГЦП пројекти не могу да примењују апликације на МЛ Енгине. Да бисте омогућили приступ, отворите мени у горњем левом углу странице пројекта, изаберите АПИ-ји и услуге, а затим кликните на Библиотека. Кликните на везу под називом Гоогле Цлоуд Мацхине Леарнинг Енгине, а затим кликните на дугме ОМОГУЋИ.

Инсталирајте комплет за развој софтвера у облаку (СДК).
ГЦП-у можете приступити из командне линије инсталирањем Гоогле-овог Цлоуд СДК-а . Да бисте ово преузели, кликните на одговарајућу везу за свој оперативни систем. Када се инсталација заврши, моћи ћете да приступите СДК-у покретањем гцлоуд команди на командној линији.

Отпремите податке о обуци/предвиђењу у Цлоуд Стораге.
МЛ Енгине може да приступи вашим подацима о обуци/предвиђењу само ако их отпремите у Гоогле Цлоуд Стораге. Можете да комуницирате са Цлоуд Стораге-ом из командне линије преко услужног програма гсутил који обезбеђује Цлоуд СДК. Подаци Цлоуд Стораге-а садржани су у структурама сличним директоријуму које се називају буцкетс, а када отпремите датотеку у корпу, структура података се назива објекат.

Додајте модул сетуп.пи у пакет ваше апликације.
Да бисте Питхон апликацију учинили доступном МЛ Енгине-у, потребно је да је структурирате као пакет. Сваки пакет мора да има модул сетуп.пи у директоријуму највишег нивоа. Овај модул треба да обезбеди код за сетуптоолс.сетуп, који пружа информације о конфигурацији МЛ Енгине-у.

Покрените посао обуке за МЛ Енгине.
Да бисте обучили свој модел у облаку, потребно је да покренете посао обуке тако што ћете покренути гцлоуд мл-енгине послове поднесите обуку са одговарајућим опцијама. Опције укључују --пацкаге-патх, који идентификује локацију пакета, --модуле-наме, који обезбеђује име Питхон модула, и –јоб-дир, који говори МЛ Енгине-у где да складишти излаз. Када се обука заврши, МЛ Енгине ће произвести СаведМодел који садржи обучене резултате.

Покрените посао предвиђања за МЛ Енгине.
Након што добијете СаведМодел, можете да користите МЛ Енгине да бисте извршили предвиђање покретањем гцлоуд мл-енгине послова подношења предвиђања са одговарајућим опцијама. Опције укључују --инпут-патхс, који идентификује локацију улазних датотека пројекта, --дата-формат, који говори МЛ Енгине-у како су форматирани улазни подаци, и --оутпут-патх, који идентификује где би требало да се предвиди излаз бити ускладиштени.