Tensorflow — это, по сути, массивная библиотека, которая используется для включения машинного обучения в проекты, что означает, что она предоставляет высокоуровневые API и данные.

Это набор переменных, функций и классов, которые помогут нам построить вычислительную работу и запустить нашу реальную модель. Он предоставляет набор встроенных наборов данных и дает нам легкий доступ к этим наборам данных. Теперь одна из замечательных особенностей TensorFlow заключается в том, что он состоит из большого количества платформ, поэтому, например, вы можете использовать его в Python на Jupiter Notebook, а также в Pycharm.

Мы также можем включить его в такие вещи, как мобильные проекты, такие как внедрение в студию Android и веб-приложение с использованием JavaScript. Это не только дает нам свободу создавать и запускать модель, но и самостоятельно обучать данные. Это не конец, но функции и классы TensorFlow выполняют большую работу, которую мы просто не можем себе представить.

Tensorflow построен на идее тензоров. Тензоры — это основные единицы данных в TensorFlow. По сути, мы можем думать об этом как о базе примитивных значений, массивов строк, массивов чисел и т. д. и т. п. Вот как мы вводим наши данные в модели.

Это означает любые данные, которые мы вводим, это могут быть изображения, аудио, текст или что-то в этом роде. Это можно преобразовать в тензоры, массивы. Это будет выглядеть просто, работая только с числовыми моделями, например, с моделью предсказания текста.

Скажем, взяв массив текста, мы должны разделить этот массив текста на более мелкие строки, которые могут представлять отдельные слова.

Точно так же мы передаем такие данные, как данные изображения, а затем можем преобразовать данные изображения в массивы значений пикселей или значений RGB.

В любом случае, данные, которые мы передаем, должны быть в тензорном формате. Преобразование ваших данных в тип данных, которые мы можем передать нашей модели, может вызвать множество проблем.

Построение программы в TensorFlow можно разделить на две задачи:

Построение графа с узлами

Согласно моим знаниям и опыту, первая часть является самой сложной, и причина этого в том, что это довольно сложный процесс, позволяющий учитывать множество различных параметров и находить оптимальную модель. Это может быть самой сложной задачей, когда вы сидите в кресле в офисе.

Это, к сожалению, приходит с практикой и только практикой, а также опытом использования TensorFlow. И наилучшая оптимальная модель очень часто не понятна, чтобы проплыть через процесс.

Что за мысль? Когда вы слушаете, как строится график?

Это не касается осей x и y графика. Это вычислительные графы, которые могут построить сеть взаимосвязанных узлов. Итак, чтобы освежить в памяти основы, найдите что-нибудь вроде графа информатики.

Все вычислительные модели полностью построены вокруг графа узлов, поэтому каждый из этих узлов принимает в качестве входных данных 0+ тензоров или массивов. Кроме того, нам нужно указать тип модели, которую мы хотим использовать, каковы будут наши входные параметры или значения, а также ожидаемый результат.

Скажем, например, мы создаем модель распознавания изображений для подачи изображений, таких как собака, автомобиль, и ожидаемым результатом могут быть слова, которые будут представлять изображения.

Еще одна важная и последняя часть заключается в том, что нам нужно указать параметры, которые мы хотим использовать для оптимизации модели.

Например, линейная регрессия, которую все знают со школьных времен, говорит. Уравнение линии: y=mx+c

где x может быть входным значением, а y будет выходным значением, а параметрами модели для оптимизации будут наш m, который является наклоном, и c, который является нашим y-пересечением.

После построения модели мы должны взять некоторые данные для обучения и некоторые данные для тестирования.

Как правило, идея заключается в том, что мы должны разделить все наши данные примерно на 80:20. Где данные обучения будут 80%, а данные тестирования будут 20%

На этом этапе мы можем проверить, насколько точна наша модель или точность прогнозирования правильного вывода.

TensorFlow похож на Черную дыру или Бермудский треугольник, на обучение и проверку данных может уйти много недель, месяцев, и все же модель может не подойти.

Чтобы ожидать от TensorFlow наилучшего, вам нужно попрактиковаться и тщательно изучить его основы.

Базовыми ошибками могут быть входные значения, которые мы вводим, или параметры, которые используются для оптимизации модели. Трудно понять, насколько сложным может быть здание, не видя реальную модель прямо перед собой.

Tensorflow — это большой шаг, и нам повезло, что мы можем получить к нему свободный доступ. Это будущее, помяните мои слова!

Во второй части мы узнаем больше о второй задаче, которая запускает граф.

Оставайся на связи!