[PYTHON] Praktisches maschinelles Lernen mit Scikit-Learn und TensorFlow-TensorFlow gab auf-

** Praktisches maschinelles Lernen mit Scikit-Learn und TensorFlow-Scikit-Learn Edition- ** ist eine Fortsetzung.

In der ersten Hälfte (bis Kapitel 8) ging es hauptsächlich um Scikit-Learn. In der zweiten Hälfte (Kapitel 9 und danach) werden wir mit der Geschichte von TensorFlow fortfahren.

• Während das Buch mit dem Inhalt von TensorFlow1 geschrieben ist, scheint es jetzt wie TensorFlow2 zu sein, daher gibt es viele Teile, die ich nicht gut verstehe, was mit TensorFlow2 passiert.

Bevor ich auf den Inhalt eingehe, fasse ich die Websites zusammen, die als Memo hilfreich sind. ・ Beispielcode (GitHub) ・ Offizielle Website von TensorFlow ・ PFN Chainer Tutorial ・ Buchinformationen

■ Fazit

In Anbetracht der Tatsache, dass TensorFlow2 die aktuelle Situation ist, war ich der Meinung, dass das Lernen mit TensorFlow1 nicht sehr effizient war.

TensorFlow1 und 2 fühlen sich wie verschiedene Dinge an, und TensorFlow2 scheint viel besser zu sein. Zu Beginn ist die Atmosphäre wie folgt: "TensorFlow ist durch Starten und Schließen der Sitzung gekennzeichnet." In TensorFlow2 wird diese Sitzung jedoch abgeschafft ...

Es ist seit Beginn der TensorFlow-Edition so. Wenn ich also versuche, es in die Praxis umzusetzen, bin ich mir nicht sicher, was sich geändert hat und was sich nicht geändert hat, und es ist bereits schwierig. Selbst wenn Sie es nachschlagen, wird es mit nur ein wenig Recherche im Laufe der Zeit schmelzen.

Ich denke, es gibt eine Meinung, dass Sie vorerst mit TensorFlow1 studieren sollten, aber diesmal möchte ich es für meinen Zweck in der Praxis anwenden können, nicht um TensorFlow zu studieren, also ist das etwas anders. richtig. Ich frage mich, ob ich das Buch in ein Buch ändern werde, das TensorFlow 2 unterstützt ... (Dieses Buch war nicht billig)

Es gibt jedoch viele Dinge zu studieren, nur weil die Version anders ist. Ich werde es noch einmal lesen, sobald ich das Stadium erreicht habe, in dem die Übung eingestellt ist. Derzeit ist es eine Phase, in der Sie sich vorerst bewegen sollen. Es scheint also eine Rolle zu sein, das Bücherregal für eine Weile aufzuwärmen.

Vorläufig habe ich in der Mitte von Kapitel 9 (dem ersten Kapitel von TensorFlow) an Qiita geschrieben, daher wird der Artikel weiter unten fortgesetzt, aber es ist subtil, ob der beschissene Inhalt veraltet und lesenswert ist.

Übrigens habe ich von allen 16 Kapiteln des praktischen maschinellen Lernens von Scikit-Learn und TensorFlow meine Motivation verloren, bis zu 13 Kapitel zu lesen. Daher ist das Studium des Deep Learning vorerst eine weitere Gelegenheit. Die Anzahl der guten Bücher hat zugenommen, daher werde ich warten, bis sie gesättigt sind.

• Die veralteten Notizen werden unten fortgesetzt.

■ Kapitel 9: Starten Sie TensorFlow.

Studientag: 2020/6/21

Mein Wissen beginnt mit der Frage: "Was ist TensorFlow überhaupt? Eine Bibliothek für Deep Learning?" Es ist eine verrückte Geschichte, und es ist schwer, von diesem Wissensstand zu lesen.

Im Buch

① Muss eine leistungsstarke Open Source-Software für die numerische Berechnung sein ② Speziell für maschinelles Lernen in großem Maßstab abgestimmt ③ Wenn Sie ein Berechnungsdiagramm definieren, das in Python ausgeführt werden soll, liest TensorFlow das Diagramm und führt es mit optimiertem C ++ - Code effizient aus. ④ Das Wichtigste ist, dass Diagramme von der CPU oder GPU parallel verarbeitet werden können. ⑤ Unterstützt verteiltes Rechnen

Es steht geschrieben, dass.

Um ehrlich zu sein, als ich es auf einen Blick las, fühlte es sich wie "was für ein Durcheinander" an, und wie ist die Beziehung zwischen TensorFlow und dem Berechnungsdiagramm überhaupt? Ich hatte eine Frage. Wenn Sie es sorgfältig lesen, scheint TensorFlow im Wesentlichen der Reihenfolge "Erstellen eines Berechnungsdiagramms → Ausführen einer Berechnung" zu folgen. Aha.

・ 9.1 Installation

Es gibt eine isolierte Umgebung, aber ich habe nie eine erstellt, weil ich nie eine virtuelle Umgebung benötigt habe. Ich dachte, dies sei eine gute Gelegenheit, also habe ich dies untersucht und eine virtuelle Umgebung erstellt.

Das Buch sagte, dass es mit ** virtualenv ** gemacht werden würde, aber ich wollte es mit Anaconda machen, also verwies ich auf die folgende Seite.

・ [Python] Erstellen einer virtuellen Umgebung mit Anaconda

• [Anaconda] So erstellen Sie eine virtuelle Umgebung mit dem Befehl conda

Ich habe bei der Installation von TensorFlow festgestellt, dass die Version von TensorFlow im Buch 1 ist, während die aktuelle Version 2 ist. </ font> Darüber hinaus scheint die Benutzerfreundlichkeit unterschiedlich zu sein. .. ..

import tensorflow as tf

#★ Aufbau des Berechnungsgraphen
x = tf.Variable(3, name = "x")
y = tf.Variable(4, name = "y")
f = x*x*y + y +2

#★ Berechnung durchführen
sess = tf.Session() #Öffnen Sie eine TensorFlow-Sitzung
                    #Erforderlich, um Berechnungen mithilfe von Berechnungsdiagrammen durchzuführen
sess.run(x.initializer) #Variable Initialisierung
sess.run(y.initializer)
result = sess.run(f) #Bewertung von f
print(result) #Anzeige der Berechnungsergebnisse
sess.close #Tensorfluss schließen

42

import tensorflow as tf

#Satz von Variablen
x = tf.Variable(3)
y = tf.Variable(4)

# tf.Erstellen Sie eine Funktion mit Funktion
@tf.function
def f(x, y):
    return x*x*y + y + 2

result = f(x, y)
print(result)

tf.Tensor(42, shape=(), dtype=int32)

w = tf.constant(3)
x = w + 2
y = x + 5
z = x * 3

with tf.Session() as sess:
    y_val, z_val = sess.run([y, z])