[ad_1]
Dernière mise à jour le 15 juin 2022
TensorFlow est une bibliothèque Python pour le calcul numérique rapide créée et publiée par Google.
Il s’agit d’une bibliothèque de base qui peut être utilisée pour créer des modèles d’apprentissage en profondeur directement ou en utilisant des bibliothèques wrapper qui simplifient le processus construit au-dessus de TensorFlow.
Dans cet article, vous découvrirez la bibliothèque TensorFlow pour le Deep Learning.
Mises à jour:
- Juin 2022 : mise à jour vers TensorFlow 2.x
Lancez votre projet avec mon nouveau livre Deep Learning With Python, y compris tutoriels pas à pas et le Code source Python fichiers pour tous les exemples.
Commençons.
Introduction à la bibliothèque d’apprentissage en profondeur Python TensorFlow
Photo de Nicolas Raymond, certains droits réservés.
Qu’est-ce que TensorFlow ?
TensorFlow est une bibliothèque open source pour le calcul numérique rapide.
Il a été créé et est maintenu par Google et publié sous la licence open source Apache 2.0. L’API est nominalement pour le langage de programmation Python, bien qu’il existe un accès à l’API C++ sous-jacente.
Contrairement à d’autres bibliothèques numériques destinées à être utilisées dans Deep Learning comme Theano, TensorFlow a été conçu pour être utilisé à la fois dans la recherche et le développement et dans les systèmes de production, notamment RankBrain dans la recherche Google et le projet amusant DeepDream.
Il peut fonctionner sur des systèmes à processeur unique, des GPU ainsi que des appareils mobiles et des systèmes distribués à grande échelle de centaines de machines.
Comment installer TensorFlow
L’installation de TensorFlow est simple si vous disposez déjà d’un environnement Python SciPy.
TensorFlow fonctionne avec Python 3.3+. Vous pouvez suivre les instructions de téléchargement et de configuration sur le site Web de TensorFlow. L’installation est probablement la plus simple via PyPI et les instructions spécifiques de la commande pip à utiliser pour votre plate-forme Linux ou Mac OS X se trouvent sur la page Web de téléchargement et d’installation. Dans le cas le plus simple, il vous suffit de saisir ce qui suit dans votre ligne de commande :
L’exception serait sur le nouveau Mac avec Apple Silicon CPU. Le nom du package pour cette architecture spécifique est tensorflow-macos Au lieu:
|
pépin installer flux tenseur–macos |
Il existe également des images virtualenv et docker que vous pouvez utiliser si vous préférez.
Pour utiliser le GPU, vous devez également installer le Cuda Toolkit.
Vos premiers exemples dans TensorFlow
Le calcul est décrit en termes de flux de données et d’opérations dans la structure d’un graphe orienté.
- Nœuds: Les nœuds effectuent des calculs et ont zéro ou plusieurs entrées et sorties. Les données qui se déplacent entre les nœuds sont appelées tenseurs, qui sont des tableaux multidimensionnels de valeurs réelles.
- Bords: Le graphe définit le flux de données, les branchements, les boucles et les mises à jour d’état. Des arêtes spéciales peuvent être utilisées pour synchroniser le comportement dans le graphe, par exemple en attendant que le calcul sur un certain nombre d’entrées se termine.
- Opération: Une opération est un calcul abstrait nommé qui peut prendre des attributs d’entrée et produire des attributs de sortie. Par exemple, vous pouvez définir une opération d’addition ou de multiplication.
Calcul avec TensorFlow
Ce premier exemple est une version modifiée de l’exemple sur le site Web TensorFlow. Il montre comment vous pouvez définir des valeurs comme tenseurs et exécuter une opération.
|
importer flux tenseur comme tf un = tf.constant(dix) b = tf.constant(32) imprimer(un+b) |
L’exécution de cet exemple affiche :
|
tf.Tensor(42, shape=(), dtype=int32) |
Régression linéaire avec TensorFlow
Cet exemple suivant provient de l’introduction du didacticiel TensorFlow.
Cet exemple montre comment vous pouvez définir des variables (par exemple W et b) ainsi que des variables qui sont le résultat d’un calcul (y).
Nous avons une idée de TensorFlow qui sépare la définition et la déclaration du calcul. En dessous, il y a une différenciation automatique sous le capot. Lorsque nous utilisons la fonction mse_loss() pour calculer la différence entre y et y_dataun graphique est créé reliant la valeur produite par la fonction aux variables TensorFlow W et b. TensorFlow utilise ce graphique pour déduire comment mettre à jour les variables à l’intérieur du minimize() fonction.
|
1 2 3 4 5 6 sept 8 9 dix 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 |
importer flux tenseur comme tf importer numpy comme np # Créez 100 points de données x, y factices dans NumPy, y = x * 0,1 + 0,3 x_data = np.Aléatoire.rand(100).astype(np.float32) données_y = x_data * 0,1 + 0,3 # Essayez de trouver des valeurs pour W et b qui calculent y_data = W * x_data + b # (Nous savons que W devrait être 0,1 et b 0,3, mais Tensorflow # comprendre cela pour nous.) O = tf.Variable(tf.Aléatoire.Ordinaire([1])) b = tf.Variable(tf.des zéros([1])) # Une fonction pour calculer l’erreur quadratique moyenne entre y_data et y calculé définitivement mse_loss(): y = W * x_data + b perte = tf.réduire_moyen(tf.carré(y – données_y)) revenir perte # Minimiser les erreurs quadratiques moyennes. optimiseur = tf.keras.optimiseurs.Adam() pour marcher dans intervalle(5000): optimiseur.minimiser(mse_loss, var_list=[W,b]) si marcher % 500 == 0: imprimer(marcher, O.numpy(), b.numpy()) # Apprend que le meilleur ajustement est W : [0.1]b : [0.3] |
L’exécution de cet exemple imprime la sortie suivante :
|
0 [-0.35913563] [0.001] 500 [-0.04056413] [0.3131764] 1000 [0.01548613] [0.3467598] 1500 [0.03492216] [0.3369852] 2000 [0.05408324] [0.32609695] 2500 [0.07121297] [0.316361] 3000 [0.08443557] [0.30884594] 3500 [0.09302785] [0.3039626] 4000 [0.09754606] [0.3013947] 4500 [0.09936733] [0.3003596] |
Vous pouvez en savoir plus sur les mécanismes de TensorFlow dans le guide d’utilisation de base.
Plus de modèles d’apprentissage en profondeur
Votre installation TensorFlow est fournie avec un certain nombre de modèles de Deep Learning que vous pouvez utiliser et expérimenter directement.
Tout d’abord, vous devez savoir où TensorFlow a été installé sur votre système. Par exemple, vous pouvez utiliser le script Python suivant :
|
python -c ‘importer os ; inspecter les importations ; importer le flux tenseur ; print(os.path.dirname(inspect.getfile(tensorflow)))’ |
Par exemple, cela pourrait être :
|
/usr/lib/python3.9/site-packages/tensorflow |
Accédez à ce répertoire et notez le sous-répertoire des modèles. Inclus sont un certain nombre de modèles d’apprentissage en profondeur avec des commentaires de type didacticiel, tels que :
- Modèle multi-thread word2vec mini-batch skip-gram.
- Modèle de saut de gramme non groupé word2vec multithread.
- CNN pour le réseau CIFAR-10.
- Exemple de modèle MNIST convolutionnel simple, de bout en bout, de type LeNet-5.
- Modèle séquence à séquence avec un mécanisme d’attention.
Vérifiez également le répertoire des exemples car il contient un exemple utilisant le jeu de données MNIST.
Il existe également une excellente liste de didacticiels sur le site Web principal de TensorFlow. Ils montrent comment utiliser différents types de réseaux, différents ensembles de données et comment utiliser le framework de différentes manières.
Enfin, il y a le terrain de jeu TensorFlow où vous pouvez expérimenter de petits réseaux directement dans votre navigateur Web.
Besoin d’aide avec Deep Learning en Python ?
Suivez mon cours gratuit de 2 semaines par e-mail et découvrez les MLP, CNN et LSTM (avec code).
Cliquez pour vous inscrire maintenant et obtenez également une version PDF gratuite du cours.
Ressources TensorFlow
Davantage de ressources
Sommaire
Dans cet article, vous avez découvert la bibliothèque Python TensorFlow pour l’apprentissage en profondeur.
Vous avez appris qu’il s’agit d’une bibliothèque de calcul numérique rapide, spécialement conçue pour les types d’opérations nécessaires au développement et à l’évaluation de grands modèles d’apprentissage en profondeur.
Avez-vous des questions sur TensorFlow ou sur cet article ? Posez vos questions dans les commentaires et je ferai de mon mieux pour y répondre.
Développez des projets d’apprentissage en profondeur avec Python !
Et si vous pouviez développer un réseau en quelques minutes
…avec seulement quelques lignes de Python
Découvrez comment dans mon nouvel Ebook :
Apprentissage en profondeur avec Python
Cela couvre des projets de bout en bout sur des sujets comme :
Perceptrons multicouches, Réseaux convolutifs et Réseaux neuronaux récurrentset plus…
Apportez enfin l’apprentissage en profondeur à
Vos propres projets
Passer les universitaires. Juste des résultats.
Voir ce qu’il y a à l’intérieur