Utilisation de TensorFlow dans l'environnement de développement intégré Cloud 9 - Principes d'utilisation -

introduction

J'ai vérifié [Basic Usage] de TensorFlow (https://www.tensorflow.org/versions/r0.11/get_started/basic_usage.html#basic-usage) dans Cloud9. Je vais résumer l'idée de base et l'utilisation lors de l'utilisation de TensorFlow. Il n'inclut pas le GPU ou l'utilisation interactive. Tout d'abord, j'étudierai les autres au besoin, dans le but de créer du code de base.

environnement

Cloud9 Python 2.7.6 Sample Codes : GitHub Pour la construction de l'environnement, reportez-vous à «Utiliser TensorFlow dans Cloud Integrated Development Environment Cloud9»

Concept de TensorFlow

Il y a deux points importants à considérer.

Graphs est une classe qui définit des valeurs et des calculs. Les valeurs peuvent être des constantes, des variables, des tenseurs (matrice en 2D, définie dans des tableaux multidimensionnels), etc. Ce sont également les Graphiques qui définissent le calcul de cette valeur (par exemple, addition ou multiplication).

Sessions est une classe qui effectue des calculs et des valeurs Graphs. TensorFlow semble être en mesure d'utiliser le GPU, mais il semble l'utiliser automatiquement via Sessions.

Par conséquent, définissez les valeurs et les calculs dans Graphs => exécutez les calculs dans les sessions Ce sera le flux. Regardons un exemple concret ci-dessous. GitHub basic_usage.py Je vais expliquer les résultats de l'exécution de.

Exemple concret

constante et sessions

import tensorflow as tf

# Graphs
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.], [2.]])
product = tf.matmul(matrix1, matrix2)

# Sessions
sess = tf.Session()
result = sess.run(product)
print(result)
# Output: [[12.]]
sess.close()
  1. tf.constant définit les constantes
  2. Réglez matrice1 sur matrice 1x2 et matrice2 sur matrice 2x1
  3. Multipliez la matrice par tf.matmul (c'est ici que les valeurs et les calculs des graphiques sont définis)
  4. Créez une session avec tf.Session ()
  5. Exécutez le calcul avec run
  6. Fermez la session avec close ()
  7. Imprimez le résultat du calcul matriciel avec print

Il est important de configurer des graphiques, puis d'exécuter des calculs dans les sessions.

Variable

# Graphs
state = tf.Variable(0)
one = tf.constant(1)
new_value = tf.add(state, one)
update = tf.assign(state, new_value)

init_op = tf.initialize_all_variables()

# Sessions
with tf.Session() as sess:
  sess.run(init_op)
  print(sess.run(state))
  for _ in range(3):
    sess.run(update)
    print(sess.run(state))
# Output: 0 1 2 3
  1. Définissez les variables avec tf.Variable
  2. Ajouter avec tf.add
  3. Remettez le résultat de l'addition à l'état avec tf.assign
  4. Initialisez avec tf.initialize_all_variables () (les variables doivent être initialisées!)
  5. Créez une session avec Session ()
  6. Initialiser les variables avec run (init_op)
  7. Exécuter (mettre à jour) dans une boucle et afficher l'état résultant

Les variables sont mises à jour en séquence.

Exécutez plusieurs en même temps

# Graphs
input1 = tf.constant([3.0])
input2 = tf.constant([2.0])
input3 = tf.constant([5.0])
intermed = tf.add(input2, input3)
mul = tf.mul(input1, intermed)

# Sessions
with tf.Session() as sess:
  result = sess.run([mul, intermed])
  print(result)
# Output: [array([ 21.], dtype=float32), array([ 7.], dtype=float32)]

Le contenu du code est le même qu'avant, vous pouvez donc le comprendre. L'important est que run ([mul, intermed]) exécute plusieurs calculs en même temps, et la sortie du résultat est également sortie en même temps.

espace réservé (affectation)

# Graphs
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.mul(input1, input2)

# Sessions
with tf.Session() as sess:
  print(sess.run([output], feed_dict={input1:[7.], input2:[2.]}))
# Output: [array([ 14.], dtype=float32)]

La valeur peut être attribuée par tf.placeholder (tf.float32). Il est calculé en remplaçant par run ([output], feed_dict = {input1: [7.], input2: [2.]}).

en conclusion

Je pense qu'il est important de configurer des graphiques puis d'exécuter des calculs dans les sessions. Il n'y a pas de problème avec un code simple, mais on ne sait pas ce qui se passe lorsqu'il s'agit de calculs compliqués. Si vous modifiez l'exemple de code et essayez diverses choses, vous obtiendrez une meilleure compréhension.

J'étudie toujours, donc si vous faites une erreur, faites-le moi savoir dans les commentaires. Je voudrais continuer à étudier comment utiliser TensorFlow et faire des corrections et des corrections.

Recommended Posts

Utilisation de TensorFlow dans l'environnement de développement intégré Cloud 9 - Principes d'utilisation -
Maintenance de l'environnement de développement Django + MongoDB (en cours d'écriture)
Résoudre le problème de la libcudart manquante dans Ubuntu 16.04 + CUDA 8.0 + environnement Tensorflow
django ne peut pas être installé dans l'environnement de développement de pipenv + pyenv
À propos de l'environnement de développement que vous utilisez
Principes de base pour exécuter NoxPlayer en Python
L'environnement de développement intégré Python le plus puissant PyCharm
Visualisation de l'état d'utilisation de l'évier dans l'entreprise
Comment installer le framework d'apprentissage en profondeur Tensorflow 1.0 dans l'environnement Windows Anaconda
Utilisé depuis l'introduction de Node.js dans l'environnement WSL
L'histoire de la création de l'environnement Linux le plus rapide au monde
Décomposons les bases du code Python de TensorFlow
Au milieu du développement, nous présenterons Alembic
Environnement de développement en Python
Utilisation de TensorFlow dans l'environnement de développement intégré Cloud 9 - Principes d'utilisation -
TensorBoard facile de 3 minutes dans Google Colab (en utilisant TensorFlow 2.x)
Structure de répertoire pour le développement piloté par les tests à l'aide de pytest en python
Développement de framework avec Python
Environnement de développement en Python
Jupyter dans l'IDE Cloud9
Développement Slackbot en Python
Utilisez «% tensorflow_version 2.x» lorsque vous utilisez TPU avec Tensorflow 2.1.0 dans Colaboratory
Autoriser l'exécution rapide des scripts Python dans Cloud Run à l'aide du répondeur
La découverte de test échoue lors de l'utilisation de tensorflow dans l'environnement vscode + pytest
L'image est affichée dans l'environnement de développement local, mais l'image n'est pas affichée sur le serveur distant de VPS.
Changer la valeur de paramètre de setting.py en fonction de l'environnement de développement
Unifier l'environnement de l'équipe de développement Python en commençant par Poetry
Vérifiez le fonctionnement de Python pour .NET dans chaque environnement
J'ai essayé de refactoriser le modèle CNN de TensorFlow en utilisant TF-Slim
Création d'un environnement de développement local Python, partie 2 (pyenv-virtualenv, utilisation de pip)
Afficher à l'aide du module python du backend mobile Nifty Cloud
Commandes souvent utilisées dans l'environnement de développement lors de l'implémentation de Python
[Astuces] Problèmes et solutions dans le développement de python + kivy
La découverte de test échoue lors de l'utilisation de tensorflow dans l'environnement vscode + pytest
Construction d'un environnement de développement Cortex-M pour TOPPERS utilisant Raspeye
[Flask & Bootstrap] Visualisez le contenu des paroles avec Word Cloud ~ Lyrics Word Cloud ~
L'histoire de la rétrogradation de la version de tensorflow dans la démo de Mask R-CNN.
[Compris dans la figure] Gestion de l'environnement virtuel Python par Pipenv
Le moyen le plus simple de créer un environnement d'utilisation Spleeter à l'aide de Windows
Développement LINEbot, je souhaite vérifier le fonctionnement dans l'environnement local
Visualisez la fréquence des occurrences de mots dans les phrases avec Word Cloud. [Python]
Comment configurer l'environnement de développement d'ev3dev [version Windows]
Essayez d'utiliser FireBase Cloud Firestore avec Python pour le moment
Procédure d'installation + utilisation de "virtualenv" et "pythonz" dans l'environnement Mountain Lion
L'histoire de la participation à AtCoder
Environnement de développement intégré (IDE) vs environnement virtuel (environnement virtuel)
Résumé des différentes opérations dans Tensorflow
installer tensorflow dans un environnement anaconda + python3.5
L'histoire du "trou" dans le fichier
Revue des bases de Python (FizzBuzz)
Vérification de l'environnement de développement NAOqi Python
À propos de la liste de base des bases de Python
Préparez l'environnement de développement avec anyenv
Apprenez les bases de Python ① Débutants élémentaires
J'ai essayé de transformer l'image du visage en utilisant sparse_image_warp de TensorFlow Addons
Affichez le résultat de l'analyse vidéo à l'aide de l'API Cloud Video Intelligence de Colaboratory.
Lignes directrices pour se réincarner dans le monde du développement de programmation Linux (langage C / C ++)
Développement et déploiement de l'API REST en Python à l'aide de Falcon Web Framework
Représentez graphiquement l'évolution du nombre d'apparitions de mots clés par mois à l'aide de pandas
Jusqu'à ce que l'environnement Deep Learning (TensorFlow) utilisant le GPU soit préparé pour Ubuntu 14.04