よくある質問を尋ねられたとき、エントリフレーム
理由学習の枠組み?
- 使いやすく、便利な
どのような知識のフレームワークを学びますか?
- 基本的なプロセスを習得するためのプロジェクトは、知識の必要性を学ぶために私たちを知っています
迅速な学習の枠組みの方法
- 各対象校のプロジェクトに必要な流れ
- あなたは公式のチュートリアルを見ることができます
TensorFlowは、マインドマップをスタート
(地図)
TensorFlow高レベルAPI
TF SLIM:複雑なモデルの軽量ライブラリの可能な定義、訓練と評価(詳細に使用)
TF(tf.contrib.learnを)学習:類似しscikit-学ぶインタフェース
その他:Kerasなど
TensorFlow学習ポイント
- データの種類
- オペレーティングメカニズム
- データI / O
- トレーニングモデル
- 保存モデル
- コールモデル
TensorFlow基本的な開発プロセス
プロジェクトの流れ
データの前処理 - >モデルのトレーニング - >保存のモデル - >モデル予測
- データ前処理:データの準備ができて、データクリーニング、エンジニアリング、正規に特徴
- 異なる伝統を学ぶニューラルネットワークやマシンが、特性を供給した後、機能の動作の多くを行う必要はありません、唯一のネットワーク構造を設定する必要があり、生の入力データは、トレーニングを完了します。
- 最初のトレーニングエラーを回避、生データの正規化を処理することができます。
準備の二つのステップTensorFlow
- 建設図計算グラフ
- 操作のグラフを実行するためにセッションを使用
ベースは、に従って定義されます
テンソル
多次元配列のタイプは、エッジであります
???N次元マトリックスは、ハンドルの象徴として見ることができるされ、それ等の基本的なタイプ、例えばnumpyの配列、リストを行った後戻って、演算結果のメモリを指し
作成方法:
- tf.zeros()
- tf.ones()
- tf.fill()
- tf.constant()
- tf.random_uniform()
- tf.random_normal()
- ......
3つのプロパティ:ランク、形状、DATA_TYPE
ランク:データの次元データを参照し、ランクと線形代数は概念ではありません
(地図)
ランク= 0(スカラー)、1(ベクトル)、2(マトリックス)、3〜n(nはテンソルの寸法)
注ランクと形状との関係という!
形状:テンソルは、データの各次元の数を指す/タプルのリストであってもよいPythonで表されます
ランクと形状との関係:
(地図)
DATA_TYPE:それは、単一のデータ・タイプを指します。共通DT_FLOAT、すなわち、32ビット浮動小数点数。
次のようにすべての種類は次のとおりです。
(地図)
操作
- ユニットは、図のノード、計算を実行します。
- 記号計算プロセスは、TensorFlowの基本単位です。コンピューティングノード、入力と出力は、グラフテンソルであります
- 作成方法:
- tf.add()
- ......
グラフ
図辺を計算するタスクのニーズを表す点を有します
TensorFlow計算可能図tf.Graphを使用して、グラフのノードが動作(即ち、演算器)を表し、グラフのエッジはオペアンプでテンソル(すなわち、を示すことを特徴とする請求作動図テンソルテンソル動作及び構成によって、表されますユニット間のデータの流れ)
作成方法:
tf.Graph._のinit _()(MK構文の制限、スペースなしでアンダースコア):新しい空のグラフを作成します。
それ自体はTFの存在下では、デフォルトのグラフ、あなたは直接マップを作成する必要がない場合
デフォルトを計算するこの方法は、図1に提供されてもよい()。As_default()との通話中にTf.Graph。
(地図)
セッション
図を実行するためのセッションコンテキストを呼び出します。
操作の実行とテンソルの環境評価を提供
(地図)
分散コンピューティング、指定されたGPU / CPUの使用
リソースを解放
コールsession.close()メソッド
(地図)
文脈(コンテキスト)コンテキストが終了するとき、実行するために作成するtf.Session()を使用し、リソースが自動的に解放されます
(地図)
三つの基本的な概念間の関係:
(地図)
グラフオブジェクトのテンソル及び動作は、動作図ノードであり、側テンソル、接続オペアンプとして。グラフのみのセッションで実行することができます
Aの例
(地図)
- 別の操作で定義され、Tfは、図では、この計算を実行します。
- 完全な計算を作成します。
- テンソルを作成します
- オペレーションを追加
- グラフを実行し、セッションの作成
- 出力は計算を実行しますが、入力することができないため、操作入力は、出力されませんしかし、この図は、3つの動作があります。
- 動作は添加直後に行われていない、TensorFlowはすべて、対応する動作の最終出力に応じて、グラフの操作に追加された後に待機する操作が必要となります。
基本的な機能TensorFlow
Veriable
- 役割:メモリに保存されたパラメータを保存して更新
(つづきます)