Table des matières
arrière-plan
TensorFlow est un puissant framework open source pour la mise en œuvre de modèles d'apprentissage profond et d'intelligence artificielle. Il a été développé à l’origine par Google et est désormais devenu l’un des frameworks d’apprentissage automatique les plus utilisés.
TensorFlow est simplement une bibliothèque permettant de créer et d'exécuter des modèles d'apprentissage automatique. Son concept principal est Tensor. Tensor est un tableau multidimensionnel, qui peut être vectoriel, matriciel, tableau, etc. Il s'agit de la structure de données la plus basique de TensorFlow.
TensorFlow est utilisé dans un large éventail de scénarios, notamment dans des domaines tels que la reconnaissance d'images, la reconnaissance vocale et le traitement du langage naturel. Par exemple, vous pouvez utiliser TensorFlow pour créer un modèle de reconnaissance d'image et laisser le modèle classer automatiquement les images via l'ensemble de données d'entraînement, afin de réaliser une reconnaissance automatique d'image.
Outre l'apprentissage automatique, TensorFlow peut être utilisé dans des domaines tels que le calcul haute performance et le calcul numérique en science informatique. Dans le même temps, il peut également fonctionner sur divers matériels tels que le CPU, le GPU et le TPU, de sorte qu'il peut être appliqué à diverses applications.
essai environnemental
Voici un simple « Bonjour, tout le monde ! » programme écrit en TensorFlow :
import tensorflow as tf
# The Session graph is empty. Add operations to the graph before calling run().
tf.compat.v1.disable_eager_execution()
# Define the constant tensor
hello = tf.constant('Hello, TensorFlow!')
# Create a session to run the computation graph
with tf.compat.v1.Session() as sess:
# Run the session and print the tensor
print(sess.run(hello))Ce programme définit un tenseur constant qui contient la chaîne "Bonjour, TensorFlow !". Il crée ensuite une session pour exécuter le graphe de calcul et imprime le résultat de l'exécution du tenseur « bonjour ». Lorsque vous exécutez ce programme, vous devriez voir le résultat :
Le préfixe « b » indique que la sortie est une chaîne d'octets, c'est ainsi que TensorFlow représente les tenseurs de chaîne.
Exemple de démarrage
Voici un exemple simple de TensorFlow pour prédire les prix de l'immobilier :
import tensorflow as tf
import numpy as np
# 定义训练数据
x_train = np.array([1, 2, 3, 4], dtype=float)
y_train = np.array([100, 150, 200, 250], dtype=float)
# 定义模型架构
model = tf.keras.Sequential([
tf.keras.layers.Dense(units=1, input_shape=[1])
])
# 编译模型
model.compile(optimizer=tf.keras.optimizers.Adam(1),
loss='mean_squared_error')
# 训练模型
model.fit(x_train, y_train, epochs=1000)
# 预测房价
x_test = [5]
y_pred = model.predict(x_test)
print("房价预测值:", y_pred[0][0])Ce modèle construit un modèle de réseau neuronal monocouche à l'aide de l'API Keras. L’entrée du modèle est une caractéristique numérique (superficie de la maison) et la sortie est la valeur prévue du prix de l’immobilier. Le modèle est formé à l'aide de l'optimiseur Adam et de la fonction de perte d'erreur quadratique moyenne. Utilisez la méthode d'ajustement pour entraîner le modèle et prédire le prix du logement correspondant à la nouvelle zone d'habitation.
résultat de l'opération :
D'après l'exemple de données donné, cette relation entre les prix des logements est similaire à une ligne droite de y = 50x + 50, donc si le résultat final consiste à saisir 5, alors y = 300.
Cet article est généré par l'assistant de création ai. Le texte et la plupart du code sont générés automatiquement. Un code a été modifié, qui est tensorflow.Session() pour arriver ici. En raison de la version locale de tensorflow2, il existe une session erreur d'initialisation. La modification est la suivante:
tf.compat.v1.disable_eager_execution()
avec tf.compat.v1.Session() comme session :
Le code comporte même des commentaires, ce qui reste très puissant.