Tensorflow là gì

Mục lục nội dung

Lịch sử thành lập và hoạt động TensorFlowCách TensorFlow hoạt độngCác option sở hữu dữ liệu vào TensorFlow

Tensorflow là gì – Với sự bùng phát của lĩnh vực Trí Tuệ Nhân Tạo – A.I. trong thập kỷ vừa qua, machine learning với deep learning rõ ràng cũng cải cách và phát triển theo cùng. Và ngơi nghỉ lúc này, TensorFlow chính là tlỗi viện mã mối cung cấp msinh sống mang đến machine learning lừng danh tốt nhất trái đất, được cách tân và phát triển do những đơn vị nghiên cứu trường đoản cú Google. Việc cung cấp trẻ khỏe những phxay toán thù học để tính toán trong machine learning với deep learning đã hỗ trợ câu hỏi tiếp cận các bài bác tân oán trngơi nghỉ nên đơn giản dễ dàng, mau lẹ với tiện lợi hơn những. 

Các hàm được dựng sẵn vào tlỗi viện mang lại từng bài bác toán thù cho phép TensorFlow thành lập được không ít neural network. Nó còn được cho phép chúng ta tính toán tuy vậy tuy vậy trên nhiều máy tính không giống nhau, thậm chí trên nhiều CPU, GPU trong cùng 1 thiết bị tốt tạo ra những dataflow graph – thứ thị luồng dữ liệu nhằm dựng nên các Model. Nếu bạn muốn lựa chọn con đường sự nghiệp trong nghành nghề A.I. này, nắm rõ phần lớn điều cơ phiên bản của TensorFlow đích thực vô cùng quan trọng đặc biệt.

Bạn đang xem: Tensorflow là gì


*
*
Cuối thuộc, chúng ta chạy 1 session TensorFlow nhưng mà đang chạy đồ vật thị tính toán với giá trị của X_1 với X_2 và print phần tác dụng của phép nhân. Hãy xác định các đầu vào node của X_1 cùng X_2. lúc ta chế tạo 1 node trong TensorFlow, chúng ta cần chọn nó là một số loại node gì. Các node X1 cùng X2 sẽ là node placeholder – node giữ vị trí. Placeholder chỉ định 1 cực hiếm mới mỗi khi ta làm cho 1 phnghiền tính. Ta sẽ khởi tạo chúng nhỏng là 1 node TF chấm placeholder.Bước 1: Xác định vị trị

X_1 = tf.placeholder(tf.float32, name = "X_1")X_2 = tf.placeholder(tf.float32, name = "X_2")Lúc ta tạo ra 1 node placeholder, ta đề nghị gửi các loại tài liệu sẽ tiến hành thêm số tại trên đây cần ta hoàn toàn có thể sử dụng 1 một số loại dữ liệu floating-point, hãy dùng tf.float32. Chúng ta cũng rất cần phải mang lại node này 1 cái tên. Tên này vẫn mở ra khi ta quan sát vào phần trực quan lại dạng đồ vật thị của Model. Hãy đặt tên node X_1 này bằng cách nhập 1 tyêu thích số được gọi bằng thương hiệu với cùng một giá trị của X_1 và hiện nay hãy xác định X_2 theo cách tương tự.

Bước 2: Xác định phần tính toán

multiply = tf.multiply(X_1, X_2, name = "multiply")Giờ ta hoàn toàn có thể xác định node đang thực hiện operation phnghiền nhân. Trong TensorFlow, bạn có thể có tác dụng điều này bằng phương pháp tạo nên 1 node tf.multiply.Ta vẫn nhập node X_1 và X_2 tới node nhân. Nó đã nói với TensorFlow nhằm liên kết các node đó vào đồ thị tính toán, đề xuất ta đang yêu thương cầu nó để pull các giá trị từ x và y cùng nhân phần công dụng. Hãy cho node nhân cái tên multiply. Nó là toàn thể có mang đến đồ gia dụng thị tính toán đơn giản dễ dàng này.

Xem thêm: Nhân Viên Sale Tour Desk Là Gì, Tour Desk Là Gì

Bước 3: Thực thi operationĐể triển khai những operation vào thiết bị thị, ta phải lập 1 session. Trong TensorFlow, nó được triển khai bằng tf.Session(). Giờ ta có 1 session ta có thể hỏi session nhằm chạy operation trên đồ dùng thị tính toán của ta bằng phương pháp gọi session. Để chạy phần tính toán, họ vẫn cần sử dụng run.lúc operation bổ sung cập nhật chạy, nó vẫn thấy rằng nó đề nghị để đưa những quý giá của node X_1 với X_2, nên bọn họ cũng cần cung ứng những trị cho X_1 và X_2. Ta rất có thể dùng điều này bằng phương pháp hỗ trợ 1 tham số được Gọi là feed_dict. Chúng ta gửi cực hiếm 1,2,3 mang lại X_1 cùng 4,5,6 mang đến X_2.Chúng ta print phần kết quả với print(result). Chúng ta đang thấy 4,10 với 18 đến 1×4, 2×5 cùng 3,6.

X_1 = tf.placeholder(tf.float32, name = "X_1")X_2 = tf.placeholder(tf.float32, name = "X_2")multiply = tf.multiply(X_1, X_2, name = "multiply")with tf.Session() as session: result = session.run(multiply, feed_dict=X_1:<1,2,3>, X_2:<4,5,6>) print(result)< 4. 10. 18.>

Các option sở hữu tài liệu vào TensorFlow

Cách trước tiên trước khi train 1 thuật tân oán machine learning là load dữ liệu. Có 2 biện pháp thường dùng để load dữ liệu:1. Load dữ liệu vào cỗ nhớ: đây là phương pháp đơn giản và dễ dàng độc nhất. quý khách hàng load toàn bộ dữ liệu vào bộ nhớ như một mảng đối chọi. Quý Khách cũng rất có thể viết code bởi Pythuôn. Những loại code này sẽ không tương quan gì cho tới TensorFlow.

2. Pipeline dữ liệu TensorFlow. TensorFlow mua built-in API và nó sẽ giúp các bạn load tài liệu, triển khai các operation và feed thuật toán thù machine learning một cách tiện lợi. Pmùi hương pháp này hoạt động giỏi đặc biệt quan trọng khi bạn có 1 datamix Khủng. Ví dụ: các hình hình ảnh thu được được hiểu hơi là kếch xù cùng cấp thiết fit vào bộ lưu trữ. Pipeline dữ liệu đã trường đoản cú quản lý phần bộ nhớ.

Xem thêm: Tất Tần Tật Task Manager Là Gì ? Định Nghĩa, Khái Niệm Tất Tần Tật Về Cách Sử Dụng Task Manager

Giải pháp đã là gì?

Load tài liệu vào cỗ nhớ

Nếu dataset của người tiêu dùng không thật lớn, ví dụ như dưới 10 GB, bạn có thể dùng phương thức trước tiên. Dữ liệu có thể thuận lợi fit vào bộ lưu trữ. Bạn cũng hoàn toàn có thể cần sử dụng 1 tlỗi viện khét tiếng có tên là Pandas nhằm import những tệp CSV. 1Load tài liệu với TensorFlow pipelinePmùi hương pháp thứ hai vẫn hoạt động rất tốt nếu khách hàng có một dataset to. Ví dụ: nếu như khách hàng có một datamix nặng trĩu 50 GB và máy vi tính của chúng ta chỉ gồm 16GB dung lượng thì cụ thể là lắp thêm vẫn crash thôi.


Chuyên mục: Định Nghĩa