С реализацией кода Python
Существует несколько фреймворков глубокого обучения, таких как PyTorch, Keras, TensorFlow, Caffe, Theano и т. д. Мы обсудим TensorFlow, каковы его ключевые характеристики и закончим рабочим примером.
Тензор — это многомерный массив/тензор данных, тогда как поток подразумевает поток данных в действии. Следовательно, TensorFlow определяет поток данных или тензоров, на которых выполняются числовые вычисления с помощью графиков.
В этих графах узлы представляют математические операции, а ребра представляют данные, которые обычно представляют собой многомерные массивы данных или тензоры, которые передаются между этими ребрами.
Зависимости управления — это специальные ребра, по которым не передаются потоки данных. Они заставляют исходный узел завершить выполнение до того, как узел назначения начнет выполнение для управляющей зависимости.
Вычисления с использованием TensorFlow могут выполняться как в нескольких системах, таких как телефоны и планшеты, так и в крупномасштабных распределенных системах, таких как графические процессоры.
Ключевые характеристики TensorFlow:
- Платформа машинного обучения и глубокого обучения с открытым исходным кодом, написанная на Python, разработанная Google.
- Единая система, которая обеспечивает вычислительную масштабируемость для широкого спектра приложений, таких как платформы мобильных устройств, таких как Android, iOS, для систем среднего размера с отдельными машинами, содержащими один или несколько графических процессоров, и для крупномасштабных систем с тысячами графических процессоров.
- Он поддерживает быструю отладку и построение моделей.
- Эффективно работает с многомерными массивами.
- Его можно использовать для обучения и логического вывода глубоких нейронных сетей. Он обеспечивает простоту быстрого внедрения для исследовательской работы, а также предоставляет высокопроизводительные и надежные производственные системы.
- Это позволяет параллельно выполнять граф потока данных базовой модели, где различные вычислительные устройства совместно обновляют набор общих параметров.
- Классификация изображений, RNN, NLP, классификация видео и т. д. являются одними из его распространенных приложений.
- ИМХО, ключевой причиной использования TensorFlow является его обширное сообщество.
Операции:
Это абстрактное название для вычислений, таких как умножение или сложение матриц. У него есть атрибуты, которые создают экземпляр узла во время построения графа.
Формы и ранги различных сущностей:
Константы
Переменные:
Тензоры существуют только во время одного выполнения графа, при этом граф подвергается нескольким вычислениям и нуждается в переменных для обработки тензоров во время нескольких исполнений в графе. Например, параметры модели машинного обучения хранятся в тензорах в переменных. Переменные обновляются как часть прогона графа обучения модели.
Освоение тензоров:
Случайные нормальные и однородные тензоры:
Я надеюсь, что эта статья дала вам представление о том, что такое тензоры, и почему TensorFlow является предпочтительной средой глубокого обучения, учитывая ее характеристики.
Мы также узнали, как можно использовать тензоры в качестве основного компонента построения. В следующей статье мы построим модель глубокого обучения с использованием TensorFlow.
А пока удачного обучения.
Ссылка:
https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/45166.pdf
🟠 Станьте писателем на MLearning.ai