Tutorial de Python TensorFlow

Un software de programación llamado TensorFlow está diseñado para construir aplicaciones de aprendizaje profundo y aprendizaje automático. Los tensores tienen la funcionalidad de estructuras multidimensionales que contienen datos. Las bibliotecas de TensorFlow admiten JavaScript y Python. TensorFlow, que fue creado por Google, es actualmente un enfoque de código abierto para los problemas de ML y AI relacionados con Big Data. Es un sistema flexible, especialmente dada su capacidad para funcionar simultáneamente en dispositivos móviles, GPU y CPU.

El futuro posee un enorme crecimiento para la tecnología TensorFlow. Se considera completamente la dirección del modelado de aprendizaje profundo. Es utilizado con fines científicos por varias compañías prestigiosas. Son mejor conocidos por participar en grandes empresas, investigaciones y especialmente en productos de Google. Incluso comenzaron a usar dispositivos móviles y la nube para sus tareas.

Las partes esenciales del flujo de tensor son tensores. Las estructuras de datos básicas del lenguaje TensorFlow se representan como una colección o lista multidimensional. Los bordes de conexión de cualquier diagrama de flujo son tensores, que se denominan gráfico de flujo de datos. Los tensores son las conexiones de vinculación en cualquier diagrama de flujo, a menudo conocido como el gráfico de flujo de datos. Los mapas múltiples lineales pueden ser cualquier cosa, incluidos los espacios vectoriales y los números reales.

Por lo tanto, un tensor puede ser escalar, vector o matriz. Las aplicaciones de TensorFlow a menudo se dividen en dos fases: construyendo desmontando un gráfico y ejecución utilizando una sesión. Esta sesión es beneficiosa para las personas preocupadas por Python y se centra en el desarrollo y la investigación utilizando una variedad de algoritmos de aprendizaje automático y aprendizaje de datos. Python es el único idioma que usa TensorFlow. Por lo tanto, se requiere una fuerte comprensión de Python. TensorFlow se puede entender fácilmente si tenemos una comprensión básica de las matemáticas fundamentales y los conceptos de IA.

Aplicaciones de TensorFlow

• Para la detección de video, se emplea el método de aprendizaje profundo. Detección de movimiento, detección de peligro en tiempo real, seguridad del aeropuerto y campos de UI/UX lo utilizan.
• Las aplicaciones más conocidas de aprendizaje profundo implican detección de voz y sonido. La capacidad de las redes neuronales para reconocer señales de audio depende de su alimentación de datos de entrada.
• El reconocimiento de imágenes también es una aplicación popular de TensorFlow. El reconocimiento de imágenes se utiliza para reconocer e identificar a las personas y las cosas de las fotografías. El contexto y el contenido de cualquier imagen se pueden entender a través del reconocimiento de imágenes.
• Otro enfoque de aprendizaje profundo muy querido utiliza el texto como entrada. Las aplicaciones basadas en texto incluyen, por ejemplo, análisis de texto, sitios de redes sociales, identificación de amenazas y detección de fraude.

Estructura del flujo de tensor

API múltiples que caen en las categorías de bajo nivel y de alto nivel ayudan a compensar las bibliotecas de TensorFlow.

API TensorFlow de bajo nivel: El elemento significativo de TensorFlow es su API central. Para crear aplicaciones efectivas de aprendizaje automático, los desarrolladores combinaron los programas Python o JavaScript al incorporar TensorFlow Core. Efectivo, pero el núcleo de tensorflow tiene una curva de aprendizaje alta. Cualquier persona que trabaje con Core debe estar familiarizada con los conceptos de datos fundamentales y la API central que comprende TensorFlow.

API TensorFlow de alto nivel: Estos incluyen un conjunto de programas de software avanzados y bibliotecas que utilizan TensorFlow. Algunos ayudan a crear modelos que puedan servir como el principio central de un gráfico. Otros dan una capa escalable que permite la personalización sin estar completamente entrenado con flujo tensor. La curva de aprendizaje para la mayoría de estas API es mucho más complaciente, y con frecuencia son más pequeñas y más confiables que la API central.

Características de TensorFlow

A diferencia de otras plataformas de aprendizaje profundo que están actualmente disponibles, TensorFlow ofrece una interfaz de programación interactiva y multiplataforma que es escalable y confiable. Tenemos algún aspecto bien conocido con respecto a TensorFlow, que incluye:

• Podemos mostrar todos los aspectos del gráfico, que marcos como Numpy o Scikit no ofrecen. Para diseñar un software de aprendizaje profundo, primero debe tener algunos componentes y un lenguaje de programación.
• Le permite examinar cada nodo u operación en términos de su análisis de forma independiente. Tensor Board usa su tablero para ver cómo funciona a través de un gráfico. Ofrece enfoques gráficos estadísticos que ayudan con un paradigma simple.
• La característica principal de la biblioteca de aprendizaje automático es que cualquier persona con conexión a Internet puede usarla porque es de código abierto. Entonces, al modificar la biblioteca, los usuarios pueden crear una amplia gama de servicios valiosos.
• El desarrollo y la capacitación del modelo se ofrecen en CPU y GPU por TensorFlow. Tanto la CPU como la GPU son capaces de realizar cálculos, y también pueden contrastarse.
• En pocas palabras, las columnas de características de TensorFlow funcionan como un enlace entre los datos de entrada y nuestra red al operar como intermediarios entre estimadores y datos sin procesar.
• TensorFlow proporciona un nivel particular de abstracción al acortar la implementación y acelerar el desarrollo. El usuario debe prestar atención a la lógica en lugar de la manera correcta para ingresar datos en funciones. El usuario puede establecer el modelo que representa perfectamente las necesidades del sistema.

Arquitectura tensorflow

La arquitectura de TensorFlow se completa con varias partes internas adicionales.

Servibles: La unidad abstracta utilizada por TensorFlow para ayudar a proporcionar tareas se conoce como servicio. Estos son los componentes centrales que facilitan el cálculo. Ofrece un alto nivel de personalización de tamaño y resolución. Los componentes de un servicio de flujo tensor pueden variar desde un conjunto de tablas hasta una tupla distinta con modelos API. Los servibles pueden tener cualquier forma de interfaz, lo que permite flexibilidad y avance futuro.

• Conexiones de API experimental
• Resultados de transmisión
• Procesamiento de metodologías asincrónicas

Versiones de servicios: Esto permite cargar progresivamente nuevas configuraciones de algoritmos, tarifas y otros datos. Además, permiten la carga sincrónica de muchas versiones de una experimentación de servicio, habilitando una implementación en fase.

Gerente de tensorflow: El gerente rastrea todas las versiones mientras retiene las fuentes. A pesar de los intentos del gerente, una versión aspirada no siempre se carga. Otra opción para los gerentes es retrasar una "descarga."Los gerentes de TensorFlow controlan el ciclo de vida general de un servicio, que incluye la carga, descarga y servicio de servibles.

Tensorflow Core: TensorFlow Core incorpora métricas del ciclo de vida, y el núcleo de servicio de TensorFlow acepta servibles y cargadores como objetos.

Ciclo de vida de tensorflow: El administrador carga y ejecuta los cargadores que las fuentes han desarrollado para versiones de servicio. Después de esto, se entregan como versiones aspiradas a los clientes como solicita el cliente. Para cargar el servicio, el cargador tiene todos los metadatos requeridos. La fuente envía la fuente al administrador de la versión aspirada a través de una devolución de llamada. El administrador implementa la política de versión actual para la próxima acción que se tomará. El gerente dirige al cargador para adquirir la versión actualizada y proporciona los recursos requeridos si lo consideran seguro.

Los clientes pueden solicitar la versión más reciente del servicio o especificar una versión al solicitarla de la administración. El gerente le devuelve el mango del servicio. Luego, el administrador dinámico informa suficiente mensaje al cargador. Dynamic Manager responde con un mango a la versión más actual de servible cuando un cliente solicita un mango para el modelo más nuevo.

Transmisiones de servicios: Comprende varios servibles en diversos tipos. Se retiene en una secuencia de iteraciones.

Cargadores de flujo tensor: El mantenimiento del ciclo de vida completo del servicio de tensorflow se realiza a través de la API del cargador de flujo tensor. Proporciona una infraestructura compartida para ciertos algoritmos.

Lote de tensorflow: Cuando se pueden acceder a los aceleradores de GPU y hardware, las respuestas de flujo de tensor en una aplicación unificada pueden disminuir significativamente el costo de la inferencia en ejecución. Un widget de lotes está disponible en el servicio TensorFlow, lo que permite a los clientes lote sus diversas consultas de inferencia individual en un lote de consulta con facilidad para llevar a cabo esta operación de manera efectiva.

Modelos de flujo tensor: Una porción es una representación de un paradigma en uno o incluso más servibles. Un servible también se desempeña como un componente de un modelo, de modo que se puede usar una gran tabla de búsqueda como múltiples instancias.

Ventajas de TensorFlow

Fuente abierta: Es accesible para todos los usuarios y se prepara para crear cualquier sistema debido a su plataforma de código abierto.

Paralelismo: TensorFlow utiliza dispositivos GPU y CPU para operar. El usuario puede utilizar cualquiera de los diseños según sus necesidades. Si no se establece específicamente, un sistema usa GPU. El uso de la memoria se reduce algo con esta técnica. TensorFlow se considera una biblioteca de exceso de velocidad debido a su capacidad.

Soporte arquitectónico: En comparación con CPU y GPU, la arquitectura de flujo de tensor incorpora TPU para acelerar la operación. En contraste con los otros dos, los modelos desarrollados con TPU se pueden implementar sobre nubes con facilidad.

Depuración: Podemos adquirir y obtener datos discretos debido a su cooperación en la ejecución de los subpuntos de un gráfico dándole la ventaja.

Escalable: Esta plataforma permite la ejecución de casi todas las operaciones. TensorFlow permite a sus usuarios crear cualquier sistema debido a su capacidad de instalarse en cualquier máquina y su representación del modelo gráfico.

Soporte gráfico: TensorFlow se usa para el desarrollo de aprendizaje profundo porque permite la construcción de redes neuronales que usan gráficos que tienen nodos para operaciones. TensorFlow Functions en varios dominios, incluidas series de tiempo, detección de movimiento, identificación de voz y reconocimiento de imágenes, por lo que puede usarse para satisfacer las necesidades de un usuario.

Desventajas de TensorFlow

Sin soporte de ventana: A pesar de los muchos beneficios de Tensorflow, los usuarios de Windows solo pueden alcanzar un número limitado de sus funciones. Los usuarios de Linux tienen acceso a una amplia gama de capacidades.

Dependencia: TensorFlow reduce la cantidad de script y simplifica que los usuarios accedan, pero también hace que el código sea más complejo. Cada código debe realizarse en una plataforma diversa para estar habilitado para aumentar las dependencias de la ejecución.

Inconsecuencia: Los homónimos se utilizan en los títulos de los módulos de Tensorflow, lo que hace que sea difícil para los usuarios retener y usar. El problema proviene de adoptar un solo nombre para múltiples contextos diversos.

Velocidad: Tensorflow se mueve a un ritmo lento en comparación con sus oponentes. Comparativo a otros marcos, es menos utilizable.

Bucle simbólico: La característica es más esencial cuando se discute secuencias de longitud variable. TensorFlow no incluye la funcionalidad. Sin embargo, las capas finitas es la solución adecuada.

Cómo instalar Python TensorFlow en Ubuntu 20.04

La biblioteca TensorFlow es un software de código abierto para el aprendizaje automático y el desarrollo de redes neuronales profundas. La biblioteca TensorFlow se puede instalar en el entorno virtual de Python. En este artículo, estamos instalando la biblioteca TensorFlow, y todas las instrucciones de instalación son para Ubuntu 20.04. Sin embargo, todas las variantes de Linux usan la misma metodología para instalar la biblioteca TensorFlow. Hemos demostrado cada paso con comandos ejecutados para instalar el paquete TensorFlow correctamente.

Paso 1: El primer paso es asegurarse de que Python se instale en Ubuntu 20.04. Podemos verificar la versión de Python dando el comando "Python3 -V". Como ya hemos instalado Python3, la versión se muestra dentro de la siguiente imagen:

Paso 2: Ahora, se nos confirma que Python está instalado en nuestro sistema. Luego, avanzando con el siguiente paso. Hemos implementado el paquete VenV del paquete Python3-VENV, que es el método preferido para construir un entorno virtual. Para obtener el módulo VenV, ingrese el comando que sigue:

Paso 3: Hemos instalado con éxito el paquete VenV en nuestro sistema. Ahora, podemos crear fácilmente un entorno virtual para el proyecto TensorFlow. Para esto, hemos creado el directorio donde queremos que se ubique nuestro entorno virtual Python3. El director creado debe tener privilegios de lectura y escritura para los usuarios que desea permitir. Hemos creado el directorio "py_tensorflow", y con el comando "CD", hemos ingresado a ese directorio en particular.

Para construir el entorno virtual a partir del módulo VenV, hemos utilizado el siguiente comando dentro del directorio py_tensorflow. Aquí, hemos elegido el nombre de "venv" para nuestro entorno virtual, pero puede ser un nombre diferente. Este comando generó el directorio VenV que incluye módulos predeterminados de Python, Manager de paquetes PIP, copias de Python Binaries y otros archivos de soporte.

Hemos ingresado a nuestro entorno virtual activando el script de activación desde el siguiente formato de comando. El directorio bin se agregará a la variable de ruta $ del sistema para el entorno virtual después de que se active. El nombre del entorno virtual ahora se muestra en el mensaje terminal, que también cambiará. Como hemos seleccionado "Venv" para nuestro entorno virtual, se muestra, como sigue:

Ahora, estamos en la etapa donde podemos instalar el módulo TensorFlow. Tenemos que actualizar la versión PIP con la última versión, que se requiere para instalar la biblioteca TensorFlow en nuestro entorno virtual. El módulo PIP en nuestro entorno virtual VenV actual se actualizará con el siguiente comando:

Hemos actualizado con éxito la versión PIP, ya que el aviso muestra esto en el complemento tomado por nosotros. A través del comando desactivado, podemos dejar el entorno virtual siempre que queramos. La fuente activa un comando que se puede usar para revitalizarlo en un momento posterior. Mientras usa TensorFlow, sugerimos permanecer dentro del entorno virtual. La instalación del módulo TensorFlow ahora está lista para funcionar. Con el comando pip, hemos instalado la biblioteca "tensorflow". El siguiente comando recupera la versión estable más reciente y las dependencias de cada paquete TensorFlow:

A medida que TensorFlow comienza a instalar, veremos una declaración que indica que la instalación de TensorFlow y cualquier paquete dependiente necesario tuvieron éxito.

Tipos de datos de Python TensorFlow

TensorFlow admite tipos de datos únicos. Pasaremos por el uso de tipos de datos en TensorFlow. TensorFlow acepta tipos de datos nativos de pitón como cuerdas, booleanos y números (int, flotación). Numpy se lleva bien con TensorFlow 2.X también. El cambio de tipo de datos entre numpy y tensor se admite correctamente. Los números de 32 bits y 64 bits, así como otros tipos de datos, están disponibles en Python TensorFlow. Hemos mostrado tipos de datos de ejemplos de un tensor que incluyen:

En general, utilizamos "dtype" para adquirir el tipo de datos del valor especificado. El "dtype" de TensorFlow se utilizan para verificar el tipo de datos del tensor actual o proporcionar la salida de tipo de datos para los cálculos que lo necesitan.

Ejemplo

Primero, hemos obtenido el tipo de datos enteros. Un tipo de datos "int" funciona de manera similar a otros módulos. Describe una cierta gama de enteros en matemáticas. Las diferentes restricciones de tamaño se aplican a los tipos de datos integrales, y los valores negativos pueden o no estar permitidos. Para esto, hemos proporcionado el TensorFlow como "TF" e invocamos la constante que toma el valor numérico "3". Con esto, hemos llamado el "dtype". Cuando presionamos ENTER para la declaración replica, se ejecuta el tipo de datos "INT32". Así es como imprimimos el tipo de datos de cualquier valor dado.

Ejemplo

En el siguiente caso, hemos verificado el tipo de datos del número decimal. A la constante (), hemos pasado el número decimal "1.5 "y llamado el dtype. Cuando ejecutamos esto, el TF.Float32 se muestra por Python TensorFlow Reply.

Ejemplo

A continuación, mostramos el tipo de datos pasando el número imaginario "2+2J", y TensorFlow Dtype devolvió el complejo de tipo de datos128. El complejo del tipo de datos128 representa los dos tipos de datos flotantes de 64bits.

Ejemplo

Una cadena es un tipo de datos común y útil compatible con cada biblioteca de Python. Un tipo de datos de cadena consiste en una colección de caracteres. Del mismo modo, Python TensorFlow también tiene el tipo de datos de cadena, que hemos mostrado en el siguiente ejemplo. Hemos pasado la cadena de "hola mundo", y tras la ejecución, el "tf.la cadena "se muestra en la salida.

Ejemplo

El tipo de datos booleanos, frecuentemente abreviado para bool, representa los valores lógicos verdaderos y falsos. Aquí, hemos pasado el valor lógico "verdadero" para la operación de tipo de datos, y devolvió el TF.Valor de bool como valor de tipo de datos. Esto significa que este tipo de datos de bool conocido también es compatible con Python TensorFlow.

Variables de flujo de tensor de Python

El mejor enfoque para representar el estado compartido y constante con el que funciona el programa es usar una variable tensorflow. Los amortiguadores en memoria que contienen tensor sirven como variables. Se pueden guardar en el disco durante y después del entrenamiento, pero deben inicializarse manualmente. A través del "TF.Clase variable ", se generan y rastrean las variables. Es posible alterar un valor tensor mediante la implementación de operaciones representadas por la clase "TF.Variable". Podemos leer y revisar los valores de este tensor utilizando operaciones específicas.

Una vez que se han construido, las variables y las formas no se pueden actualizar. Veamos algunos ejemplos de formación variable utilizando TensorFlow.

Ejemplo

Tenemos un ejemplo a continuación donde hemos creado una variable Python TensorFlow que muestra la forma, las dimensiones, el tamaño y el tipo de datos del valor que se pasa como una entrada en el constructor variable (). Primero, hemos importado el módulo TensorFlow con el alias "TF". Luego, establecemos el nombre de la variable como "tensor" y lo declaramos con el constructor variable ().

Al constructor variable (), hemos pasado los dos valores numéricos. Luego, imprimimos la forma de la variable TensorFlow invocando el "TF.Forma ”objeto. Después de eso, imprimimos la "dimensión" de la variable pasando el "tensor" al "TF.Método de rango "y también invocó la función Numpy (). A continuación, imprimimos el tamaño de la variable pasando el "tensor" en el método de tamaño, y finalmente, obtuvimos el tipo de datos del método DTYPE, que ya se discute en la sección anterior.

Ejemplo

Mediante el uso del constructor variable, entendemos cómo establecer una variable. Ahora, tenemos que cambiar la forma de la variable utilizando el nuevo método Python TensorFlow llamado rehape () método. Este método de rehape () toma el parámetro "forma" y el nombre de la variable. Ahora, hemos implementado el ejemplo del método de reashape. Hemos declarado la variable "tensor" y establecemos el valor para él con el constructor variable ().

Después de eso, empleamos el "TF.método de rehape () "y pasó la variable" tensor "y el método de forma, que se ha establecido con el valor a formar para los valores especificados en el constructor variable (). Luego, ejecutamos el programa anterior, que remodeló la forma variable. El código y la salida se han fijado a la imagen posterior:

Ejemplo

Ahora, hemos realizado la transmisión de variables de flujo de tensor. Las variables más pequeñas pueden ampliar instantáneamente para adaptarse a las variables más grandes cuando intentamos ejecutar operaciones emparejadas con múltiples objetos variables, al igual que podemos con objetos tensores. Esto es muy comparable a cómo funcionan las matrices numpy. Se escala una variable escalar para multiplicar cada miembro de la variable cuando busca multiplicarlo con otra variable.

Necesitamos importar el módulo TensorFlow porque no podemos acceder a la variable TensorFlow. Después de eso, declaramos el constructor "variable ()" dentro de la variable "T1" y "T2". A la variable "T1", hemos pasado los dos valores numéricos, que deben multiplicarse por el valor numérico de la variable "T1". Luego, dentro del objeto "resultado", multiplicamos las dos variables y mostramos los valores resultantes con la instrucción de impresión. El código y la salida se han colocado en la imagen posterior.

Ejemplo

Podríamos usarlo para identificar la forma de hardware (una CPU) utilizada para ejecutar nuestra variable. Para esto, el ".Se emplea el atributo del dispositivo ”. En la siguiente implementación, hemos definido el nombre de la variable "TF1" y asignado el constructor variable dentro de él, que pasó dos valores como entrada. Después de eso, utilizamos la declaración de impresión donde el ".Los atributos del dispositivo "se llaman con la variable" TF1 ". El tipo de variable de hardware se muestra en el terminal.

Marcador de posición de Python Tensorflow

Las variables de flujo tensor que adquieren datos en un momento posterior se conocen como marcador de posición. Somos capaces de crear procedimientos sin la necesidad de datos. A medida que comienza y opera la sesión, los datos se insertan en el marcador de posición. Mediante el uso de marcadores de posición, podemos agregar datos a tensorflow gráficos.

Ejemplo

Hemos importado el módulo TensorFlow de manera diferente, ya que no se encuentra el atributo de marcador de posición, y se ha producido un error. Luego, tenemos la variable "p" y establecemos el método de marcador de posición () dentro de él. El marcador de posición toma los parámetros "flotador" y "ninguno". Hemos inicializado los valores para el marcador de posición. Pero hemos establecido el funcionamiento de la multiplicación como "P*2" dentro de la variable "Q".

Ahora, hemos implementado el objeto de sesión de la sesión TensorFlow (). Aquí, incluso si se creara una gráfica de operaciones mucho más grande, solo se podría ejecutar una pequeña porción de la trama. Esta evaluación de subgrafías es uno de los principales beneficios de Tensorflow porque pocas otras bibliotecas que realizan tareas relacionadas lo ofrecen. Luego, pasamos la variable "Q" y establecimos el Feed_Dict asignando el valor para la variable "P" en la ejecución de la sesión (). Aquí, la salida proporciona los resultados esperados después de la ejecución. El código y la salida se han fijado en la imagen posterior:

Ejemplo

Además, los marcadores de posición con varias dimensiones pueden almacenar matrices. El siguiente caso incluye la colocación de varios enteros en una matriz. Luego, empleando la misma técnica que antes, multiplicamos el elemento entero por dos. Dentro del siguiente programa, hemos llamado al marcador de posición dentro de la variable "V1". El marcador de posición define la dimensión como "ninguna" y la segunda dimensión como "3". Esto significa que la columna debe ser tres para la matriz.

Después de eso, multiplicamos la variable "V1" por "3" y creamos la sesión. Hemos pasado el "V2" y "Feed_dict" como argumento en la ejecución de la sesión, y los valores para la variable "V1" también se establecen dentro de la entrada Feed_dict. Hemos impreso la matriz de 3 por 2 en la siguiente imagen junto con el código:

Python Tensorflow tensor escaso

El rápido procesamiento y almacenamiento en caché de tensores en TensorFlow es posible por tensores escasos y empleado en aplicaciones para el procesamiento del lenguaje natural y la visión por computadora, así como para el procesamiento de fotografías con píxeles oscuros. Usaremos el "TF.escaso.Función SparSetensor () "para representar un tensor disperso, que se utilizará para llevar a cabo esta tarea específica.

Ejemplo

Aquí, hemos establecido los valores para los parámetros dispersos. El "IND" representa los índices que tienen todos los valores distintos de cero. El "Val" es el valor especificado por la forma del tensor para cada índices anteriores. Luego, tenemos un parámetro de forma densa como "DS", que también se inicializa con la lista. Luego, pasamos todos estos parámetros dentro del TF.escaso.Función SparSetensor () como argumento. El siguiente snap muestra el resultado de la función también. El código y la salida se han fijado en la imagen posterior:

Ejemplo

Ahora, veremos la conversión de TensorFlow en el valor numpy. Para lograr esto, utilizaremos la función de ejecución ansiosa para operar la sesión. El TF.compat.V1. La función session () se usa para construir la sesión después de importar el módulo TensorFlow y el TF.La función de tensor disperso () se usa después de eso. Después de eso, definimos la variable "New_Result" y asignamos el valor entero en forma de una lista al TF.Función Sparsetensor. Después de imprimir la operación de función, podemos ver la salida.

Ejemplo

Hemos visto la conversión escasa a Numpy. Ahora, hemos convertido el escaso en denso. Para esto, hemos implementado el siguiente programa. Hemos asignado la forma densa al TF.Parámetros de función, valor e índices de sparsetensor y también los inicializaron. Después de eso, invocamos la función TensorFlow "To_Dense" que toma la "TF.Función sparsetensor ”y muestra los resultados. El código y la salida se han fijado en la imagen posterior:

Función de transposición de TensorFlow

La función de transposición de TensorFlow es una característica del paquete TensorFlow del dominio de aprendizaje profundo de Python. Esta función nos permite determinar la transposición de los datos dados cada vez que los pasamos al paradigma de flujo tensor. La matriz de entrada del tensor se revertirá por la función de transposición, lo que resulta en un volteo diagonal de las filas y columnas.

Ejemplo

Tenemos un paquete TensorFlow dentro de nuestro script, al que se le asigna un nombre simbólico, "TF". Luego, declaramos la variable "A", donde creamos la lista de valores numéricos. Después de crear las dos listas dentro del método constante, empleamos el "TF.transponer "el método y pasar la variable de entrada" A "dentro de él. La función de transposición ha cambiado la posición de la lista horizontal en la lista vertical, como se muestra dentro de la siguiente captura de pantalla:

Ejemplo

La matriz especificada como entrada se transpondrá por el tamaño indicado si se proporciona el argumento permanente. Considere el parámetro PERM de la función de transposición en el siguiente ejemplo. Después de insertar el paquete TensorFlow, hemos especificado las dos listas de números dentro del método constante de tensorflow en la variable "trans". Luego, hemos llamado el método TensorFlow, donde el "trans" se asigna como entrada, y el parámetro Perm también se establece con dimensiones para 3 × 3 métrica. La función de transposición genera la nueva métrica transformada.

Ejemplo

El nuevo parámetro "conjugado" se introduce en este ejemplo. Podemos transponer un tensor si es conjugado en la entrada. Debemos dar el "TF.transpose () "argumento conjugado igual a verdadero para lograr esto. Dentro del programa, hemos establecido la variable "IMG" para crear la lista con la ayuda del "TF.Método constante ". Hemos asignado un número complejo a la lista. Después de eso, utilizamos la función de transposición donde se llama el argumento conjugado y se establece con el valor de bool "verdadero". Cuando se ejecuta la instrucción de función de transposición, la salida muestra la métrica de transposición conjugada, de la siguiente manera:

TensorFlow ArgMax Función

La función TensorFlow ArgMax se utiliza para determinar el mayor valor entre los valores de los ejes y es parte del paquete matemático de la biblioteca TensorFlow. El campo de la tecnología definido como TensorFlow Keras es actualmente uno de los más utilizados y se desarrolla rápidamente porque puede cambiar el camino de la tecnología.

Ejemplo

Hemos empleado el módulo TensorFlow para usar la función ArgMax. Luego, hemos establecido el valor con el método constante dentro de la variable "x". Hemos invocado la función ArgMax de la biblioteca de Matemáticas de Python dentro de la variable "Y". La función TensorFlow ArgMax toma el parámetro de entrada "x", y luego hemos mostrado el tensor con el método de impresión. Después de eso, calculamos el valor del tensor obtenido a través del TF.Keras.backend.Método eval () al pasar la variable "y". Tiene el índice de valor máximo en la salida, ya que el último valor de índice tiene el valor máximo. Entonces se genera el valor máximo del índice.

Ejemplo

Aquí, con el método de forma del Flow Tensor, hemos implementado la función ArgMax. El paso inicial de incluir el flujo de tensor se realiza. Luego, hemos definido la variable "U", donde la función constante toma el parámetro "valor" y establece la lista de enteros dentro de él. Además, hemos establecido el argumento de "forma" dentro de la función constante y la forma "3x3". Hemos impreso la forma de la lista especificada en 3 × 3 dimensiones. A continuación, construimos otra variable, "V", donde la función ArgMax implementada asignando el argumento de "entrada" como "x". Cuando se imprime el tensor, genera el valor de índices y con el módulo Keras, hemos evaluado el valor que muestra los índices máximos respectivamente.

Tensorflow argmin Función

Anteriormente, discutimos la función TensorFlow ArgMax. La función ArgMin TensorFlow se implementa igual que la función ArgMax. Los valores de salida son lo único que difiere. El módulo matemático de la biblioteca TensorFlow contiene el método ArgMax TensorFlow, que determina el valor con el valor mínimo entre los valores de los ejes.

Ejemplo

El módulo TensorFlow se ha designado en el ejemplo a continuación. Luego, hemos inicializado algunos valores numéricos en forma de matriz, que está presente dentro de la variable "A1". Con la ayuda del paquete de matemáticas, hemos empleado la función argmin y establecemos el argumento de "entrada" con la variable de tensor "x". Después de eso, mostramos el tensor evaluado de la función argmin. Finalmente, hemos determinado el valor del tensor de los keras.backend.Método de evaluación, como el número "1.9 ”es un número mínimo. Entonces, en la salida, tenemos el valor del índice "3" contra este número.

Ejemplo

Ahora, utilizamos el método de forma del flujo de tensor. Esto generará el valor de índices con forma de los valores mínimos. Hemos establecido la variable "i" y la declaramos con la función constante. La función constante toma el valor y la forma como argumento. Estos argumentos especificados se establecen con su valor. Luego hemos mostrado el tensor y los índices del número con valores mínimos.

Conclusión

Una biblioteca de aprendizaje profundo que se usa ampliamente es TensorFlow. Se utiliza principalmente en la construcción de redes neuronales, y las pequeñas y grandes empresas lo usan. TensorFlow también se utiliza en la mayoría de los productos de Google, incluidos Gmail y el motor de búsqueda, como se ve anteriormente; Google también lo usa para fines internos. Se ha proporcionado una introducción a TensorFlow en este manual.

Aquí, hemos discutido la introducción de TensorFlow de sus elementos clave, rasgos, beneficios y inconvenientes. Hemos abordado cada aspecto de Python TensorFlow y la implementación del código TensorFlow con el servidor Linux. Hemos demostrado cómo configurar TensorFlow en Ubuntu 20.04 en un entorno virtual. Luego, vemos el tipo de datos TensorFlow. Hemos obtenido el tipo de datos con la llamada de función dtype en tensorflow.

A continuación, hemos explorado la declaración e inicialización del constructor variable (). Los buffers en memoria basados ​​en tensor llamados variables de flujo de tensor permanecen activos después de una ejecución de gráficos y se usan repetidamente. A continuación, tenemos una explicación de marcador de posición TensorFlow. Nos permiten definir restricciones sobre el tamaño de los valores y los tipos de datos que se están aprobando en. Luego, tenemos la implementación de otra función TensorFlow, que se llama función tensor escasa. Usamos el "TF.escaso.Función SparSetensor ”para mostrar los valores de tensor disperso. También hemos utilizado el método de transposición de TensorFlow.

La función de transposición de TensorFlow ayuda a voltear el tensor de entrada, lo que hace que las filas y columnas de la matriz se alternen. Además, este tutorial explica dos funciones más, Argmax y Argmin, respaldadas por el módulo TensorFlow. Estos métodos ayudan a localizar el valor más alto y más bajo dentro del tensor que se ha suministrado como entrada tanto a lo largo como a través de los ejes. TensorFlow hace que sea increíblemente simple implementar estos métodos ya que este tema es muy vasto, pero hemos tratado de cubrir todos los temas importantes que podemos.