Hvordan installere TensorFlow
I denne installasjonen tensorflow-artikkelen vil vi først få en generell oversikt over TensorFlow og bruken av det i Data Science-økosystemet, og deretter installere TensorFlow for Windows.
Hva er TensorFlow?
TensorFlow er et programvare, populært for implementering av Machine Learning algoritmer, spesielt nevrale nettverk. Den ble utviklet av Google og utgitt som en åpen kildekodeplattform i 2015. Den kalles TensorFlow fordi den tar innspill som flerdimensjonale matriser som også er kjent som Tensorer. Vi kan konstruere et flytskjema med operasjoner som vi ønsker å utføre på den inngangen, dvs. data går inn i den ene enden og strømmer deretter gjennom dette operasjonssystemet og kommer ut i den andre enden som output. TensorFlow er populær på grunn av sin ekstreme allsidighet. Det kan kjøres på forskjellige plattformer som desktop, eller en sky eller på en mobil enhet. Alt dette kan gjøres ved hjelp av et enkelt API. Den kan trenes på flere maskiner, og så kunne vi kjøre den på en annen maskin. TensorFlow er veldig rask fordi den er skrevet i C ++, men den kan nås og kontrolleres av andre språk, hovedsakelig Python. Et annet flott trekk ved TensorFlow er TensorBoard som gjør det mulig for oss å grafisk og visuelt overvåke arbeidet til en TensorFlow. Noen som er interessert i Machine Learning, spesielt nevralt nettverk, bør lære TensorFlow.
Data Flow Graph Architecture of TensorFlow
En dataflytgrafikk har to grunnleggende enheter: En node som representerer en matematisk operasjon, og en kant som betjener en flerdimensjonal matrise kjent som tensorer. Så dette abstraksjon på høyt nivå viser hvordan dataene flyter mellom operasjoner. Når grafen er opprettet, skrives en indre sløyfe for å drive beregning. Innganger mates inn i noder gjennom variabler eller plassholdere. I TensorFlow kjøres beregninger bare etter at økten er opprettet.
Hvorfor er TensorFlow å foretrekke i Deep Learning? 
Deep Learning er en del av Machine Learning som lærer funksjoner og oppgaver direkte fra dataene. Dataene kan være bilder, tekst eller lyd. Det blir ofte referert til som ende-til-ende-læring. Et nevralt nettverk er synonymt med nevronene i hjernen vår. I diagrammet over kommer data fra inngangssjiktet og flyter over skjulte lag der alle beregningene gjøres, og deretter videreføres til utgangssjiktet. Flere skjulte spillere gjør det til et dypt nevralt nettverk, mens et enkelt lag danner et grunt nevralt nettverk
- TensorFlow har bred innebygd støtte for Deep Learning og nevrale nettverk, så det er enkelt å montere nett, tilordne parametere og kjøre treningsprosessen.
- Det er trenbare matematiske funksjoner som er nyttige for nevrale nettverk. Enhver gradientbasert maskinlæringsalgoritme vil dra nytte av TensorFlows auto-differensiering og suite av førsteklasses optimalisatorer.
- TensorFlow er kompatibel med forskjellige maskinlæring på grunn av sin omfattende samling av fleksible verktøy.
- Et Deep Neural Network håndterer mer kompleks oppførsel der hver inngang blir behandlet av aktiveringsfunksjoner som Hyperbolic Tangent, Logistic function, etc. Valg av aktiveringsfunksjon påvirker nettverkets oppførsel, og TensorFlow gir kontroll over nettverkets struktur.
- TensorFlow kan også brukes til å bygge enkle lineære og ikke-lineære modeller.
Trinn for å installere TensorFlow
Installasjonsdelen vil bestå av to deler: -
- Installerer Anaconda
- Sette opp TensorFlow ved bruk av Anaconda Prompt.
Del 1: Installer Anaconda på Windows
Anaconda er et knippe av noen populære pythonpakker og har en pakkehåndterer kalt conda (lik pip). Noen av de populære anaconda-pakkene er - numpy, scipy, Jupiter, nltk, scikit-learning, etc. Hvis du har Python installert i windows, så for å installere alle disse pakkene, må du kjøre pip, mens hvis du installerer anaconda, du får alle disse pakkene på én gang.
Nedenfor trinn illustrerer hvordan du installerer Anaconda på windows. Python 3.7 støtter ikke TensorFlow, så vi vil bruke Anaconda for Python 3.6.
- Last ned installasjonsprogrammet Anaconda for Python 3.6 herfra - https://drive.google.com/open?id=12BLpz3wzsyI0kFcMgv0SGPj__0op-JJs
- Når installasjonsprogrammet er lastet ned, dobbeltklikker du på det og velger Neste.
- Klikk på Jeg er enig i neste vindu.
- Velg Alle brukere, og klikk Neste.
- Velg Installer plassering etter behov, og klikk Neste.
- I neste vindu merker du av for "Registrer Anaconda som system Python 3.6" og klikker på Installer.
- Installasjonen pågår.
- La installasjonen fortsette, og når den er ferdig, klikker du Neste for å fullføre den. Gå deretter til Miljøvariabler i vinduer for å angi banen.
- Klikk på Ny og legg til skriptmappen der du har installert Anaconda, og klikk OK.
- Nå, gå til Windows Search Bar og skriv Anaconda Prompt. Dobbeltklikk på appen og skriv conda –version for å bekrefte installasjonen.
Del 2: Sette opp TensorFlow Install ved bruk av Anaconda Prompt
- Gå til Anaconda Prompt og skriv conda create -n myenv python = 3.6 og trykk enter.
- Trykk Y og trykk Enter. Det vil lage et eget miljøinstallere TensorFlow
- Skriv conda aktivere myenv og skriv Enter for å gå inn i miljøet.
- Når du er i miljøet, skriver du inn ett etter ett
- conda install jupyter
- conda installere scipy
- pip install - oppgrader tensorflow
- Når det er gjort, skriver du python og skriver deretter inn tensorflow. Hvis det ikke er noen feil, er det TensorFlow-installasjonen.
Praktiske applikasjoner av TensorFlow
Deep Learning har dukket opp i hjertet av nesten hvert større beregningsgjennomslag de siste årene. Det er allerede i mange av våre daglige produkter som Netflix og Amazons personaliserte anbefalinger, spamfiltrering, og til og med vårt samspill med personlige assistenter som Apple Siri eller Microsoft Cortana.
Imidlertid er det ikke bare vitenskapelige applikasjoner som drar nytte av denne forskningen. Mennesker fra andre fagområder begynner også å utforske hvordan dyp læring kan brukes i tilfeller som Objektdeteksjon (som vist på bildet). Den lærer datamaskinen å gjenkjenne et objekt i et bilde og deretter bruke denne kunnskapen til å drive ny atferd.
Siste trender for TensorFlow
TensorFlow ga nylig ut 1.12.0-versjonen der få av de viktigste forbedringene er: -
- Keras-modellen kan eksporteres direkte til SavedModel-formatet og brukes sammen med TensorFlow-fjæren.
- Binarier er bygget med XLA-støtte, og Keras-modeller kan nå evalueres med tf.data.Dataset.
- Ignite Datasett lagt til for å bidra / antenne som gjør det mulig å jobbe med Apache Ignite.
Anbefalte artikler
Dette har vært en guide for hvordan du installerer TensorFlow. Her har vi diskutert instruksjonene og forskjellige trinn for å installere TensorFlow. Du kan også se på følgende artikkel for å lære mer -
- Forskjeller av TensorFlow vs Caffe
- Sammenligning av tensorflow og Pytorch
- Karrierer i dype læringer
- PowerShell vs Python - Differences
- Introduksjon til TensorFlow Playground