[PYTHON] L'apprentissage automatique pratique avec Scikit-Learn et TensorFlow-TensorFlow a abandonné -

** Apprentissage automatique pratique avec Scikit-Learn et TensorFlow-Scikit-Learn edition- ** est une continuation.

La première moitié (jusqu'au chapitre 8) était principalement consacrée à Scikit-Learn. Dans la seconde moitié (chapitre 9 et suivants), nous passerons à l'histoire de TensorFlow.

• Alors que le livre est écrit avec le contenu de TensorFlow1, il semble que c'est comme TensorFlow2 maintenant, donc il y a beaucoup de parties que je ne comprends pas bien sur ce qui se passe avec TensorFlow2.

Avant d'entrer dans le contenu, je vais résumer les sites qui seront utiles comme mémo. ・ Exemple de code (GitHub) ・ Site officiel de TensorFlow ・ Tutoriel PFN Chainer ・ Informations sur le livre

■ Conclusion

En conclusion, considérant que TensorFlow2 est la situation actuelle, j'ai senti que l'apprentissage avec TensorFlow1 n'était pas très efficace.

TensorFlow1 et 2 se sentent comme des choses différentes, et TensorFlow2 semble être bien meilleur. Au début, l'ambiance est comme "TensorFlow se caractérise par le démarrage et la fermeture de la Session." Cependant, dans TensorFlow2, cette Session est abolie ...

C'est comme ça depuis le début de l'édition TensorFlow, donc quand j'essaie de le mettre en pratique, je ne suis pas sûr de ce qui a changé et de ce qui n'a pas changé, et c'est déjà difficile. Même si vous le recherchez, il fondra avec le temps avec juste un peu de recherche.

Je pense qu'il y a une opinion que vous devriez étudier avec TensorFlow1 pour le moment, mais pour mon objectif cette fois, je veux pouvoir l'utiliser dans la pratique, pas pour étudier TensorFlow, donc c'est un peu différent. droite. Je me demande si je vais changer le livre en un qui prend en charge TensorFlow 2 ... (Ce livre n'était pas bon marché)

Cependant, il y a beaucoup de choses à étudier simplement parce que la version est différente. Je le relirai une fois arrivé au stade où la pratique est mise de côté. Actuellement, c'est une phase que je souhaite que vous déplaciez pour le moment, il semble donc que ce sera un rôle de réchauffer la bibliothèque pendant un moment.

Pour le moment, j'ai écrit à Qiita à la moitié du chapitre 9 (le premier chapitre de TensorFlow), donc l'article continue ci-dessous, mais il est subtil de savoir si le contenu merdique est périmé et mérite d'être lu.

À propos, sur les 16 chapitres d'apprentissage automatique pratique de Scikit-Learn et TensorFlow, j'ai perdu la motivation de lire jusqu'à 13 chapitres, donc pour le moment, étudier le Deep Learning est une autre opportunité. Le nombre de bons livres a augmenté, alors j'attendrai qu'il sature.

• Les notes périmées continuent ci-dessous.

■ Chapitre 9: Lancez TensorFlow.

Journée d'étude: 21/06/2020

Mes connaissances commencent par "Qu'est-ce que TensorFlow en premier lieu? Une bibliothèque pour le Deep Learning ??" C'est une histoire folle et difficile à lire à partir de ce niveau de connaissances.

Dans le livre

① Doit être un logiciel open source puissant pour le calcul numérique ② Particulièrement adapté pour l'apprentissage automatique à grande échelle ③ Le principe de base est que si vous définissez un graphe de calcul à exécuter en Python, TensorFlow lira le graphe et l'exécutera efficacement avec un code C ++ optimisé. ④ Le plus important est que les graphiques peuvent être traités en parallèle par CPU ou GPU. ⑤ Prend en charge l'informatique distribuée

Il est écrit cela.

Pour être honnête, quand je l'ai lu en un coup d'œil, je me sentais comme "quel bordel", et quelle est la relation entre TensorFlow et le graphique de calcul en premier lieu? J'avais une question. Si vous le lisez attentivement, il semble que TensorFlow suit essentiellement l'ordre de «création d'un graphe de calcul → exécution d'un calcul». Je vois.

・ 9.1 Installation

Il y a un environnement isolé, mais je n'en ai jamais créé car je n'ai jamais eu besoin d'un environnement virtuel. J'ai pensé que c'était une bonne opportunité, alors j'ai fait des recherches et créé un environnement virtuel.

Le livre disait qu'il serait fait avec ** virtualenv **, mais je voulais le faire avec Anaconda, alors je me suis référé au site suivant.

・ [Python] Création d'un environnement virtuel à l'aide d'Anaconda

• [Anaconda] Comment créer un environnement virtuel avec la commande conda

J'ai remarqué lors de l'installation de TensorFlow, mais il semble que la version de TensorFlow dans le livre est 1, tandis que la version actuelle est 2. </ font> De plus, il semble que la convivialité soit différente. .. ..

import tensorflow as tf

#★ Construction d'un graphique de calcul
x = tf.Variable(3, name = "x")
y = tf.Variable(4, name = "y")
f = x*x*y + y +2

#★ Exécution du calcul
sess = tf.Session() #Ouvrez une session TensorFlow
                    #Nécessaire pour effectuer des calculs à l'aide de graphiques de calcul
sess.run(x.initializer) #Initialisation variable
sess.run(y.initializer)
result = sess.run(f) #Évaluation de f
print(result) #Affichage des résultats des calculs
sess.close #Fermer Tensor Flow

42

import tensorflow as tf

#Ensemble de variables
x = tf.Variable(3)
y = tf.Variable(4)

# tf.Créer une fonction avec fonction
@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])