На этот учебник ссылаетсяTensorFlow 2.0 + Keras Crash Course,на основе исходного текста делается соответствующее резюме и адаптация для адаптации к пониманию и использованию отечественными разработчиками.Уровень ограничен.Если написание неверно,прошу комментарии и указания. Если вы считаете статью полезной, пожалуйста, поставьте лайк.Если вы хотите увидеть исходный текст, вы можете нажать на ссылку kx, чтобы получить доступ к нему в Интернете.
0 заказ
После четырех лет разработки TensorFlow постепенно стал повелителем сред глубокого и машинного обучения, а его доля на рынке и количество пользователей намного опережают других конкурентов.На картинке ниже представлен обзор использования фреймворков машинного обучения в 2018 году, проведенный веб-сайтом KDnuggets.. Видно, что в то время TensorFlow значительно опередил других конкурентов (Keras — это инкапсуляция верхнего уровня, а вызов нижнего уровня — по-прежнему TensorFlow), утвердив свой статус повелителя глубокого обучения.
Если вы хотите понять историю развития TensorFlow, вы можете проверить черновик статьи автора на CSDN:«Дорога к господству» от 0.1 до 2.0 читает историю борьбы TensorFlow
И TensorFlow, и Keras были выпущены 4 года назад (в марте 2015 года для Keras и в ноябре 2015 года для TensorFlow). Это долгое время в эпоху глубокого обучения!
В прошлом был ряд известных проблем с TensorFlow 1.x + Keras:
- Использование TensorFlow означает работу со статическими вычислительными графами, что может быть неудобно и сложно для программистов, привыкших к императивному кодированию.
- Хотя TensorFlow API является очень мощным и гибким, ему не хватает изощренности, и он часто сбивает с толку или сложен в использовании.
- Хотя Keras продуктивен и прост в использовании, он часто негибок для исследовательских целей.
TensorFlow 2.0 построен на следующих ключевых идеях.:
- Позвольте пользователям с энтузиазмом выполнять свои расчеты, как в Numpy. Это делает программирование TensorFlow 2.0 интуитивно понятным и основанным на Python.
- Значительные преимущества сохранения скомпилированных графиков (для производительности, распространения и развертывания). Это делает TensorFlow быстрым, масштабируемым и готовым к производству.
- Использование Keras в качестве высокоуровневого API глубокого обучения делает TensorFlow простым в использовании и эффективным.
- Расширяет Keras до ряда рабочих процессов от очень высокого уровня (более простой в использовании, менее гибкий) до очень низкого уровня (требует большего опыта, но обеспечивает большую гибкость).
Эта серия руководств сочетает в себе гибкость и удобство TensorFlow 2.0 и простоту и удобство использования Keras, чтобы разработчики могли освоить простое использование TensorFlow 2.0 и Keras после нескольких дней обучения и использования.Однако, если вы хотите по-настоящему освоить и понять технологию глубокого обучения и разработать интересные и интересные приложения, то изучение концепций глубокого обучения необходимо, и читателям нужно потратить много времени на изучение и понимание. Наконец, я надеюсь, что все не должны быть поверхностными в изучении разработки глубокого обучения, а должны понимать смысл и характеристики алгоритма, а не просто вызывать интерфейс. В этом разница между инженером глубокого обучения и программистом.
Эта серия руководств состоит из трех частей:
- Подготовка окружающей среды
- Руководство по использованию TensorFlow
- Использование интерфейса Keras
Содержание учебника было впервые опубликовано на My Knowledge Planet:Путь применения глубокого обучения ИИ · цена нескольких чашек чая с молоком, чтобы научиться осваивать глубокое обучение, добро пожаловать, чтобы нажать, чтобы посетить.
1 Подготовка окружающей среды
Для установки официальной версии TensorFlow 2.0 обратитесь к подробному руководству по установке автора:«Официальная версия TensorFlow2.0» минималистская установка Руководство по официальной версии TF2.0 (CPU&GPU), здесь для удобства демонстрации показана только установка ЦП TF2.0.
В настоящее время я работаю в Windows 10, использую среду python, управляемую conda, устанавливаю cuda и cudnn (поддержка GPU) через conda и устанавливаю tensorflow2.0 через pip. Попробовав, это самый простой способ установки, и нет необходимости настраивать сложную среду.
(Для установки версий Ubuntu и Mac вы можете следовать этому методу, поскольку conda поддерживает несколько платформ, проблем быть не должно. Если у вас есть много вопросов, вы можете прокомментировать, и я позже обновлю руководство по установке Ubuntu)
1.0 подготовка среды conda
Conda — это очень простой в использовании инструмент управления Python, который может легко устанавливать и управлять несколькими средами Python. На следующих этапах установки я также представлю некоторые часто используемые команды conda.
conda я рекомендую установить miniconda, которую можно понимать как упрощенную версию anaconda, в которой сохранены только некоторые необходимые компоненты, поэтому установка будет намного быстрее, а также она может удовлетворить наши потребности в управлении средой python. (Anaconda обычно занимает несколько гигабайт памяти для установки на твердотельный накопитель, что занимает 1-2 часа, в то время как miniconda обычно занимает несколько сотен M, а установка может быть завершена за 10 минут)
miniconda рекомендует использовать источник Tsinghua для загрузки:Зеркала. Дыхание. Его четырехлетний план. Квота. Способность/анаконда/м…
Просто выберите версию, которая вам подходит.
- Рекомендуемый адрес Windows:Зеркала. Дыхание. Его четырехлетний план. Квота. Способность/анаконда/м…
- Рекомендуемый адрес Ubuntu:Зеркала. Дыхание. Его четырехлетний план. Квота. Способность/анаконда/м…
- Рекомендуемый адрес Mac OS:Зеркала. Дыхание. Его четырехлетний план. Квота. Способность/анаконда/м…
Ниже используется версия для Windows для установки miniconda в качестве демонстрации. Загрузите соответствующую версию из приведенного выше. После загрузки откройте ее с правами администратора и нажмите, чтобы установить.
Обратите внимание, что эти два параметра должны быть проверены: один — разрешить нам использовать команду conda непосредственно в cmd, а второй — использовать python3.7, поставляемый с miniconda, в качестве системного python.
После завершения установки вы можете использовать команду conda в cmd.Метод открытия cmd, клавиша Windows + клавиша R, всплывает окно ввода и введите cmd для входа. Вы также можете напрямую искать cmd в окнах и щелкать, чтобы запустить.
Вот несколько команд cmd conda:
- Просмотр среды conda: список env conda
- Создайте новую среду conda (env_name — это имя созданной среды, которое можно настроить): conda create -n env_name
- Активируйте среду conda (замените conda исходным кодом для ubuntu и Macos): conda активирует env_name
- Выйдите из среды conda: conda деактивировать
- Установка и удаление пакетов Python: conda install numpy # conda uninstall numpy
- Посмотреть список установленных python: conda list -n env_name
Зная эти инструкции, вы можете начать использовать conda для создания новой среды для установки TF2.0.
1.1 Установка версии процессора TF2.0
Установка TF CPU относительно проста, потому что нет необходимости настраивать GPU, поэтому методы установки Windows ubuntu macOS аналогичны, недостатком является низкая скорость работы, но она все же подходит для ежедневного изучения и использования.
Ниже представлена демонстрация версии для Windows: все операции выполняются в командной строке
1.1.0 Создать новую среду ЦП TF2.0 (использование conda для создания новой команды среды python=3.6 означает python3.6 при создании новой среды)
conda create -n TF_2C python=3.6
Когда оно появится: Продолжить ([y]/n)? Введите y и нажмите Enter.
После завершения вы можете войти в эту среду
1.1.1 Войдите в среду TF_2C
conda activate TF_2C
После входа мы можем обнаружить, что: (TF_2C) находится перед предыдущим путем, что указывает на то, что мы вошли в эту среду.
1.1.2 Установите версию процессора TF2.0 (-i позади означает загрузку из внутреннего источника Tsinghua, который намного быстрее, чем источник по умолчанию)
pip install tensorflow==2.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
Если сеть не в порядке, выполните ее несколько раз. Затем он будет установлен через некоторое время. Давайте проведем простой тест ниже.
1.1.3 Протестируйте версию процессора TF2.0 (сохраните следующий код в demo.py и запустите его с TF_2C python)
import tensorflow as tf
version = tf.__version__
gpu_ok = tf.test.is_gpu_available()
print("tf version:",version,"\nuse GPU",gpu_ok)
Если проблем нет, вывод выглядит следующим образом: вы можете видеть, что версия tf — 2.0.0, потому что это версия процессора, поэтому для gpu установлено значение False.
tf version: 2.0.0
use GPU False