[NEW] Tensorflow สำหรับผู้เริ่มต้นที่สมบูรณ์: เริ่มต้นใช้งาน Tensors | คน ใช่ ใน วงเล็บ – NATAVIGUIDES

ภาพโดย Peggy und Marco Lachmann-Anke จาก Pixabay (Free to Use)

ปัจจุบัน Tensorflow เป็นคำที่แพร่หลายในโลกแห่งปัญญาประดิษฐ์ (AI) ที่น่าตื่นเต้นโดยเฉพาะอย่างยิ่งเมื่อ Deep Learning ยังคงเร่งความก้าวหน้าอย่างรวดเร็วใน AI แต่สำหรับคนที่เพิ่งเริ่มต้นด้วย Tensorflow ประสบการณ์อาจน่ากลัวและน่ากลัวเนื่องจากคำศัพท์และการใช้ห้องสมุดที่สวยงามอาจสร้างความสับสนให้กับผู้เริ่มต้นที่สมบูรณ์ เมื่อฉันเริ่มเรียนรู้ Tensorflow ครั้งแรกฉันต้องเผชิญกับความท้าทายที่คล้ายคลึงกันและหวังว่าจะทำให้ความซับซ้อนบางอย่างง่ายขึ้นผ่านบทความนี้ บทความนี้ต้องการความเข้าใจพื้นฐานเกี่ยวกับ Python เพื่อให้ได้ภาพที่ชัดเจนยิ่งขึ้นของ Tensorflow

Tensorflow ทำงานอย่างไร?

วิธีพื้นฐาน (และง่ายที่สุด) ในการอธิบาย Tensorflow คือมันเป็นไลบรารีที่ยอดเยี่ยมใน Python (และอาจเป็นภาษาโปรแกรมอื่น ๆ ด้วย) ซึ่งช่วยให้เราสร้างกราฟเชิงคำนวณเพื่อพัฒนาแบบจำลองเครือข่ายประสาทเทียม องค์ประกอบพื้นฐานที่ประกอบด้วยวัตถุ Tensorflow คือTensorและการคำนวณทั้งหมดที่ดำเนินการเกิดขึ้นใน Tensors เหล่านี้ ตามความเป็นจริง (ในคำพูดของฉัน) Tensors เหล่านี้ไหลอย่างเป็นระเบียบเมื่อคุณพัฒนาแบบจำลองเครือข่ายประสาทเทียมใด ๆ และก่อให้เกิดผลลัพธ์สุดท้ายเมื่อทำการประเมิน ใช่แล้วการเรียนรู้ว่าเทนเซอร์คืออะไรและเราจะใช้มันอย่างไรเป็นขั้นตอนแรกในการเริ่มต้นใช้งาน Tensorflow

Tensors คืออะไร?

เราทุกคนคุ้นเคยกับประเภทข้อมูลในการเขียนโปรแกรมใช่ไหม? 1, 2, 3ฯลฯ เป็นจำนวนเต็มตัวเลขที่มีจุดทศนิยม(1.5,3.141,5.2555 เป็นต้น)เป็นค่าทศนิยมและค่าทั่วไปอีกค่าหนึ่งคือสตริง (เช่น“ สวัสดีวันนี้เป็นอย่างไรบ้าง” ) เมื่อเรามีการเก็บรวบรวมหลายองค์ประกอบด้วยกันเราโดยทั่วไปคำนั้นเป็นรายการ (เช่น [1,4,7])

สามารถใช้ชุดของรายการเพื่อพัฒนาเมทริกซ์ / เมทริกซ์เช่นนี้:

[[1,4,7], [5,8,12], [1,66,88]]

ทีนี้มาที่ Tensors – โดยพื้นฐานแล้วมันเป็นการนำเสนอมิติที่สูงขึ้น / การสรุปทั่วไปของเมทริกซ์และเวกเตอร์แบบเดิม มันอาจเป็นเมทริกซ์ 1 มิติเมทริกซ์ 2 มิติเมทริกซ์ 4 มิติหรือเมทริกซ์ n มิติ! ดังนั้นเราจึงสามารถมีอาร์เรย์หลายมิตินอกเหนือจากรายการเดียวใน Tensor นั่นคือสิ่งที่เทนเซอร์มีความหมายพื้นฐานที่สุด เช่นเดียวกับที่เรากำหนดค่าตัวแปรในการเขียนโปรแกรมทั่วไปเราสามารถทำได้เช่นเดียวกันใน Tensorflow เพียงแค่ว่ามีวิธีทำเฉพาะ ในทำนองเดียวกันเช่นเดียวกับที่คุณสามารถดำเนินการหลายอย่างกับตัวแปรทั่วไป (หรือค่าคงที่) ในการเขียนโปรแกรมเราสามารถทำได้ด้วย Tensors เราสามารถแบ่งเทนเซอร์และเลือกส่วนขององค์ประกอบมีประเภทข้อมูลต่างๆสำหรับเทนเซอร์ (จำนวนเต็มจุดลอยตัวสตริง ฯลฯ ) และอื่น ๆ อีกมากมาย

เริ่มต้นใช้งาน Tensorflow ใน Python

ขั้นตอนแรกคือการติดตั้งไลบรารีที่สวยงาม! pipคือสิ่งที่คุณต้องการที่นี่ โปรดทราบว่าหากคุณใช้ Google Colab (ซึ่งคล้ายกับสมุดบันทึก Jupyter ใน Python มาก) คุณไม่จำเป็นต้องติดตั้งไลบรารีนี้เนื่องจากติดตั้งแล้วและพร้อมใช้งาน ขอบคุณ Google!

#Install the tensorflow module (not required in Google Colab, but is needed in your local PC)
!pip install tensorflow

ตอบสนองความต้องการแล้ว: tensorflow ใน /usr/local/lib/python3.6/dist-packages (2.3.0)

ปัจจุบัน Tensorflow มีเวอร์ชันเก่ากว่าประเภท 1.x ในขณะที่รุ่นล่าสุดใช้ 2.x ลองเลือกรุ่นเทนเซอร์โฟลว์ปัจจุบัน

#Here, we would go with the latest (2.x) release of tensorflow by selecting the version
#Note: By default, Colab tends to use the 2.x version
%tensorflow_version 2.x

#import the tensorflow module
import tensorflow as tf
#Display the tensorflow version we are using
print(tf.version)

ตอนนี้เรามาเริ่มสร้าง Tensors กันเลย เราจะสร้าง int, float และ string ที่นี่ สังเกตวิธีพิเศษในการสร้างเทนเซอร์โดยใช้แอตทริบิวต์tf.Variable ซึ่งหมายความว่าเรากำลังสร้าง Tensor ซึ่งจะเป็นลักษณะของตัวแปรดังนั้นเราจึงสามารถเปลี่ยน / แก้ไขค่าได้โดยดำเนินการเฉพาะเช่นเดียวกับที่เราทำในการเขียนโปรแกรมแบบเดิมที่มีตัวแปร โปรดทราบว่าแม้ว่าเราจะใช้int, float และ stringเพื่อประกาศตัวแปรที่เกี่ยวข้องสำหรับชนิดข้อมูลดังกล่าวในการเขียนโปรแกรมทั่วไปเราจะใช้tf.int16 (ซึ่งหมายความว่าเรากำลังกำหนดจำนวนเต็ม 16 บิต), tf.float32 (เพื่อกำหนด a ค่าทศนิยม 32 บิต) และtf.stringใน Tensorflow โปรดทราบว่าเราสามารถใช้tf.float16, tf.int32 และอื่น ๆ ได้โดยขึ้นอยู่กับข้อกำหนดสำหรับค่าที่เราต้องการจัดเก็บ หากคุณเคยใช้ C ++ คุณจะทราบถึงสิ่งต่างๆเช่นint, int สั้น, int ยาวยาว, float, doubleฯลฯ ที่ใช้เพื่อประกาศตัวแปรที่มีจำนวนบิตน้อยกว่า (หรือมากกว่า) ดังนั้นเราจึงทำสิ่งที่คล้ายกันที่นี่ใน Tensorflow

#The science (and art) of creating tensors
scalar_val = tf.Variable(123,tf.int16)
floating_val = tf.Variable(123.456,tf.float32)
string_val = tf.Variable(“hello everyone. Nice to learn tensorflow!”,tf.string)

#Let us display the values (print) these tensors
print(scalar_val)
print(floating_val)
print(string_val)

<tf.Variable ‘Variable: 0’ shape = () dtype = float32, numpy = 123.456> <tf.Variable ‘Variable: 0’ shape = () dtype = string, numpy = b’hello ทุกคน ยินดีที่ได้เรียนรู้เทนเซอร์โฟลว์! ‘>

เราสามารถกำหนดรูปร่างและอันดับของ Tensors ได้อย่างที่คุณอาจเคยได้ยินในโมดูลคณิตศาสตร์ที่โรงเรียน ถ้าไม่เช่นนั้นรูปร่างก็หมายถึงจำนวนขององค์ประกอบที่มีอยู่ในแต่ละมิติของเทนเซอร์ ในขณะที่อันดับเป็นระดับที่ลึกที่สุดของการทำรังภายใน Tensor การป้อนรหัสบางอย่างอาจทำให้ชัดเจนยิ่งขึ้น

#The idea behind shape and rank of tensors
#Shape: Describes the dimension of the tensor (total elements contained along each dimension)
scalar_val_shap = tf.shape(scalar_val)
print(scalar_val_shap)
floating_val_shap = tf.shape(floating_val)
print(floating_val_shap)

tf.Tensor ([], รูปร่าง = (0,), dtype = int32)

เราได้รูปร่างเป็น 0 ใช่ไหม? หมายความว่าค่าเหล่านี้เป็นค่าสเกลาร์แทนที่จะเป็นรายการหรือรายการที่ซ้อนกัน

#Now, if we use e.g. lists/nested lists instead of just a “single” scalar value
list_tensor1 = tf.Variable([1,3,5,6],tf.int16)
print(list_tensor1)
print(tf.shape(list_tensor1))
list_tensor2 = tf.Variable([[1,2,3],[4,5,6]],tf.int16)
print(list_tensor2)
print(tf.shape(list_tensor2))
#how about the rank? It describes the level of nesting within the tensor in simple words.
print(tf.rank(list_tensor1))
print(tf.rank(list_tensor2))

<tf.Variable ‘Variable: 0’ shape = (4,) dtype = int32, numpy = array ([1, 3, 5, 6], dtype = int32)>

tf.Tensor ([4], รูปร่าง = (1,), dtype = int32)

<tf.Variable ‘Variable: 0’ shape = (2, 3) dtype = int32, numpy = array ([[1, 2, 3], [4, 5, 6]], dtype = int32)>

tf.Tensor ([2 3], รูปร่าง = (2,), dtype = int32)

tf.Tensor (1, รูปร่าง = (), dtype = int32)

tf.Tensor (2, รูปร่าง = (), dtype = int32)

ในทำนองเดียวกันถ้าคุณดูอันดับคุณจะเห็นอันดับ 1 สำหรับlist_tensor1เพียงเพราะเรามีเพียงรายการเดียวไม่มีการซ้อนที่นี่! ตอนนี้สำหรับlist_tensor2คุณจะเห็นอันดับ 2 ซึ่งบ่งบอกว่าเรามีการซ้อนระดับ 2 นั่นคือรายการใหญ่มีรายการเพิ่มเติม หากเป็นรายการใหญ่รายการหนึ่งมีรายการเล็ก ๆ อีกรายการหนึ่งและรายการเล็กนั้นมีรายการที่เล็กกว่านี้เราจะมีอันดับ 3 หวังว่านี่จะทำให้ชัดเจน

tf.Tensor (1, รูปร่าง = (), dtype = int32)

tf.Tensor (2, รูปร่าง = (), dtype = int32)

เราสามารถเปลี่ยนรูปร่างของเทนเซอร์ (แน่นอนจนกว่าจะถูกต้องทางคณิตศาสตร์) โดยใช้tf.reshape อีกครั้งโปรดสังเกตวิธีพิเศษในการดำเนินการนี้โดยใช้ Python

#Reshaping tensors
reshaped_list_tensor2 = tf.reshape(list_tensor2,[6])
print(reshaped_list_tensor2)
list_tensor3 = tf.Variable([[1,2,3,1],[1,9,10,11],[1,5,11,22],[16,17,18,19]],tf.int16)
print(list_tensor3)
print(tf.rank(list_tensor3))
print(tf.shape(list_tensor3))
reshaped_list_tensor3 = tf.reshape(list_tensor3,[2,8,1])
print(reshaped_list_tensor3)
#or like this
reshaped_list_tensor3 = tf.reshape(list_tensor3,[8,2,1])
print(reshaped_list_tensor3)
#or automatically determine the shape by only giving one dimension!
reshaped_list_tensor3 = tf.reshape(list_tensor3,[1,-1])
print(reshaped_list_tensor3)

tf.Tensor ([1 2 3 4 5 6], รูปร่าง = (6,), dtype = int32)

<tf.Variable ‘Variable: 0’ shape = (4, 4) dtype = int32, numpy = array ([[1, 2, 3, 1], [1, 9, 10, 11], [1, 5, 11, 22], [16, 17, 18, 19]], dtype = int32)>

tf.Tensor (2, รูปร่าง = (), dtype = int32)

tf.Tensor ([4 4], รูปร่าง = (2,), dtype = int32)

tf.Tensor ([[1] [2] [3] [1] [1] [9] [10] [11]] [[1] [5] [11] [22] [16] [17] [18] [19]]], รูปร่าง = (2, 8, 1), dtype = int32)

tf.Tensor ([[1] [2]] [[3] [1]] [[1] [9]] [[10] [11]] [[1] [5]] [[11] [ 22]] [[16] [17]] [[18] [19]]], รูปร่าง = (8, 2, 1), dtype = int32)

tf.Tensor ([[1 2 3 1 1 9 10 11 1 5 11 22 16 17 18 19]] รูปร่าง = (1, 16), dtype = int32)

คุณสามารถสร้าง Tensor ที่เต็มไปด้วย 1s (หรือ 0s) โดยใช้คำสั่งพิเศษtf.onesหรือtf.zeros จากนั้นการดำเนินการที่คล้ายกันก็สามารถทำได้เช่นกัน

ตอนนี้เรามาหั่น เช่นเดียวกับที่คุณสามารถแบ่งและแยกองค์ประกอบบางอย่างจากเมทริกซ์หรือรายการ Python คุณสามารถทำเช่นเดียวกันกับ Tensors ดูตัวอย่างด้านล่างซึ่งในขั้นแรกเราจะสร้างเทนเซอร์แบบ onefull (ชื่อของฉันสำหรับเทนเซอร์ที่เต็มไปด้วยค่า 1 เท่านั้น) และอีกค่าหนึ่งด้วยซีโรฟูล ขนาดของเทนเซอร์ที่คุณต้องการสร้างจะอยู่ภายในวงเล็บเหลี่ยม [] ดังนั้น [4,4,4,1] จึงสร้างเทนเซอร์ 4 มิติในขณะที่ [5,5] สร้างเทนเซอร์ 2 มิติโดยมี 5 แถวและ 5 คอลัมน์ (ซึ่งไม่ใช่อะไรนอกจากเมทริกซ์) ในความหมายที่ง่ายที่สุด

การดำเนินการหั่นบางส่วนแสดงไว้ด้านล่างสำหรับเทนเซอร์ที่สร้างขึ้น เพื่อให้คุณสามารถรับองค์ประกอบที่คุณชอบจากเทนเซอร์และไม่พิจารณาสิ่งที่คุณไม่ชอบ 🙂

#creating a tensor full of 1s (or 0s)
tensor_onefull = tf.ones([4,4,4,1])
print(tensor_onefull)
tensor_zerofull = tf.zeros([5,5])
print(tensor_zerofull)
#extracting specific values from tensors (similar to slicing in conventional programming)
tensor_sliced_onefull = tensor_onefull[0]
print(tensor_sliced_onefull)
tensor_sliced_zerofull = tensor_zerofull[0,1]
print(tensor_sliced_zerofull)

tf.Tensor ([[[1] [1. ] [1. ] [1. ]] [[1. ] [1. ] [1. ] [1. ]] [[1. ] [1. ] [1. ] [1. ]] [[1. ] [1. ] [1. ] [1. ]]] [[[1. ] [1. ] [1. ] [1. ]] [[ 1. ] [1. ] [1. ] [1. ]] [[1. ] [1. ] [1. ] [1. ]] [[1. ] [1. ] [1. ] [1. ]]] [[[1. ] [1. ] [1. ] [1. ]] [[1. ] [1. ] [1. ] [1. ]] [[1. ] [1. ] [ 1. ] [1. ]] [[1. ] [1. ] [1. ] [1. ]]] [[[1. ] [1. ] [1. ] [1. ]] [[1. ] [1. ] [1. ] [1. ]] [[1. ] [1. ] [1. ] [1. ]] [[1. ] [1. ] [1. ] [1. ]] ]], รูปร่าง = (4, 4, 4, 1), dtype = float32)

tf.Tensor ([[0. 0. 0. 0. 0. ] [0. 0. 0. 0. 0. ] [0. 0. 0. 0. 0. ] [0. 0. 0. 0. 0. ] [0. 0. 0. 0. 0. ]], รูปร่าง = (5, 5), dtype = float32)

tf.Tensor ([[[1. ] [1. ] [1. ] [1. ]] [[1. ] [1. ] [1. ] [1. ]] [[1. ] [1. ] [1. ] [1. ]] [[1. ] [1. ] [1. ] [1. ]]], shape = (4, 4, 1), dtype = float32)

tf.Tensor (0.0, รูปร่าง = (), dtype = float32)

#another example from previously created tensor
print(list_tensor3)
tf_slicedexampleagain = list_tensor3[0,-2:]
print(tf_slicedexampleagain)
#selecting multiple rows
tf_slicedexampleagain = list_tensor3[1::]
print(tf_slicedexampleagain)

<tf.Variable ‘Variable: 0’ shape = (4, 4) dtype = int32, numpy = array ([[1, 2, 3, 1], [1, 9, 10, 11], [1, 5, 11, 22], [16, 17, 18, 19]], dtype = int32)>

tf.Tensor ([3 1], รูปร่าง = (2,), dtype = int32)

tf.Tensor ([[1 9 10 11] [1 5 11 22] [16 17 18 19]], รูปร่าง = (3, 4), dtype = int32)

คุณสามารถค้นหาสมุดบันทึก Colab ฉบับสมบูรณ์สำหรับบทความนี้ได้ที่ Github ของฉัน https://github.com/joyjitchatterjee/DeepLearning-Tensorflow-Basics/blob/master/Tensorflow_Beginning.ipynb.

และนั่นแหล่ะ หวังว่าคุณจะสนุกกับการอ่านบทความนี้ ขอบคุณสำหรับการอ่านและขออภัยสำหรับการพิมพ์ผิด / ข้อบกพร่องหากมี ฉันหวังว่าจะครอบคลุมมากขึ้นเกี่ยวกับ Tensorflow ในโพสต์ถัดไปของฉัน

หากคุณต้องการคุณสามารถเชื่อมต่อกับฉันบน LinkedIn ได้ที่ http://linkedin.com/in/joyjitchatterjee/

ข้อมูลอ้างอิง

1. เอกสาร Tensorflow (https://www.tensorflow.org/guide)
2. TensorFlow 2.0 Complete Course – Python Neural Networks for Beginners Tutorial (https://www.youtube.com/watch?v=tPYj3fFJGjk&list=PLYLyA78Q4izuAlaaOER3qwUZkqLTZf7qk)
3. เริ่มต้นกับ TensorFlow และ Deep Learning ( https://medium.com/@rishit.dagli/get-started-with-tensorflow-and-deep-learning-part-1-72c7d67f99fc )

ความคิดเห็นที่ 2


^
^

From : http://en.wikipedia.org/wiki/Bachelor_of_Arts

The BA and the BA (Hons) in Australia, New Zealand and Ontario (Canada)

In universities in Australia, New Zealand and Ontario (Canada), the BA is taken full-time over a period of three years, or part-time over a longer period, with students able to combine a number of coursework disciplines under the degree. It is a requirement that students pursue at least one Major area of study, and study in that subject area is undertaken at all three year-levels of the degree (first, second and third year). Depending upon the individual university’s course structure, students will often choose to pursue a second Major; or alternately, the remainder of the degree is taken up with a Minor area of study (study at first and second year levels); and other individual or stream-based subjects make up the degree.

Unlike other countries, Australian students do not receive an overall grade for their Bachelor of Arts, with varying levels of ‘honours’. Instead, students have the option, at the conclusion of their third year of study, and provided they possess a grade average of 75% or higher across their Major area, to undertake an Honours (or fourth) year. The Honours year is generally composed of a coursework component (including seminars or tutorials) and an original researched thesis or dissertation of 10-15,000 words.

It is the combined grades of these components which determine whether the student graduates with ‘First’, ‘Second’ or ‘Third’ Class Honours. Some universities, following the classifications of the British university system, also divide Second Class Honours between Division I and Division II. Additionally, those students who achieve an outstanding First Class Honours grade (usually requiring a mark of more than 90%) may be concomitantly awarded the University Medal, whilst those who do not meet the standards of the Honours year are awarded the normal Bachelor of Arts instead.

On graduation, students are permitted to append the abbreviation ‘BA’ to their name; those who have successfully completed the Honours year may style themselves ‘BA (Hons)’.

The Honours degree (or its equivalent international degree) is generally the basic qualification required to pursue higher degrees by research, including the MA and PhD. Within Australian universities, a BA (Hons) candidate is considered to be a postgraduate student.

จากคุณ :
Coconut Dance :
– [
21 พ.ค. 51 04:40:31

]