Was ist TensorFlow? Wie es funktioniert [mit Beispielen]

TensorFlow ist eine Open-Source-Bibliothek zum Erstellen von Modellen für maschinelles Lernen. Es ist eine unglaubliche Plattform für alle, die sich leidenschaftlich für die Arbeit mit maschinellem Lernen und künstlicher Intelligenz interessieren. Darüber hinaus sind mit dem stetigen Wachstum, das der Markt für maschinelles Lernen erlebt, Tools wie TensorFlow ins Rampenlicht gerückt, da Technologieunternehmen die vielfältigen Möglichkeiten der KI-Technologie erkunden. Zweifellos wird der globale Markt für maschinelles Lernen bis 2027 voraussichtlich einen Wert von 117,19 Milliarden US-Dollar erreichen .

Aber zu Beginn ist es wichtig zu wissen, was TensorFlow ist und was es zu einer beliebten Wahl bei Entwicklern weltweit macht.

Was ist TensorFlow?

TensorFlow ist eine End-to-End-Open-Source-Plattform für maschinelles Lernen mit besonderem Fokus auf tiefe neuronale Netze. Deep Learning ist eine Teilmenge des maschinellen Lernens, bei der umfangreiche unstrukturierte Daten analysiert werden. Deep Learning unterscheidet sich vom traditionellen maschinellen Lernen dadurch, dass letzteres typischerweise mit strukturierten Daten zu tun hat.

TensorFlow verfügt über eine flexible und umfassende Sammlung von Bibliotheken, Tools und Community-Ressourcen. Damit können Entwickler hochmoderne, auf maschinellem Lernen basierende Anwendungen erstellen und bereitstellen. Eines der besten Dinge an TensorFlow ist, dass es Python verwendet, um eine praktische Front-End-API zum Erstellen von Anwendungen bereitzustellen, während sie in leistungsstarkem, optimiertem C++ ausgeführt werden.

Das Google Brain-Team hat die Deep-Learning-Bibliothek TensorFlow Python ursprünglich für den internen Gebrauch entwickelt . Seitdem hat die Open-Source-Plattform ein enormes Wachstum in der Nutzung in F&E- und Produktionssystemen erlebt.

Einige TensorFlow-Grundlagen

Nachdem wir nun eine grundlegende Vorstellung davon haben, was TensorFlow ist , ist es an der Zeit, sich mit einigen weiteren Details über die Plattform zu befassen.

Im Folgenden finden Sie einen kurzen Überblick über einige grundlegende Konzepte im Zusammenhang mit TensorFlow. Wir beginnen mit Tensoren – den Kernkomponenten von TensorFlow, von denen die Plattform ihren Namen hat.

Tensoren

In der TensorFlow-Python -Deep-Learning-Bibliothek ist ein Tensor ein Array, das die Datentypen darstellt. Im Gegensatz zu einem eindimensionalen Vektor oder Array oder einer zweidimensionalen Matrix kann ein Tensor n Dimensionen haben. In einem Tensor enthalten die Werte identische Datentypen mit bekannter Form. Die Form steht für Dimensionalität. Somit ist ein Vektor ein eindimensionaler Tensor, eine Matrix ein zweidimensionaler Tensor und ein Skalar ein nulldimensionaler Tensor.

Quelle

Form

In der TensorFlow-Python- Bibliothek bezieht sich Form auf die Dimensionalität des Tensors.

Quelle

Im obigen Bild ist die Form des Tensors (2,2,2).

Art

Der Typ stellt die Art von Daten dar, die die Werte in einem Tensor enthalten. Typischerweise enthalten alle Werte in einem Tensor einen identischen Datentyp. Die Datentypen in TensorFlow sind wie folgt:

• ganze Zahlen
• Fließkomma
• vorzeichenlose ganze Zahlen
• boolesche Werte
• Saiten
• Ganzzahl mit quantisierten Operationen
• komplexe Zahlen

Graph

Ein Graph ist eine Reihe von Berechnungen, die nacheinander auf Eingabetensoren stattfinden. Es umfasst eine Anordnung von Knoten, die die mathematischen Operationen in einem Modell darstellen.

Sitzung

Eine Sitzung in TensorFlow führt die Operationen im Diagramm aus. Es wird ausgeführt, um die Knoten in einem Diagramm auszuwerten.

Betreiber

Operatoren in TensorFlow sind vordefinierte mathematische Operationen.

Wie funktionieren Tensoren?

In TensorFlow beschreiben Datenflussdiagramme, wie sich Daten durch eine Reihe von Verarbeitungsknoten bewegen. TensorFlow verwendet Datenflussdiagramme zum Erstellen von Modellen. Die Diagrammberechnungen in TensorFlow werden durch die Verbindungen zwischen Tensoren erleichtert.

Die n-dimensionalen Tensoren werden dem neuronalen Netzwerk als Eingabe zugeführt, das mehrere Operationen durchläuft, um die Ausgabe zu liefern. Die Graphen haben ein Netz von Knoten, wobei jeder Knoten eine mathematische Operation darstellt. Aber die Kante zwischen den Knoten ist ein mehrdimensionales Datenarray oder ein Tensor. Eine TensorFlow-Sitzung ermöglicht die Ausführung von Diagrammen oder Teilen von Diagrammen. Dazu weist die Sitzung Ressourcen auf einer oder mehreren Maschinen zu und hält die tatsächlichen Werte von Zwischenergebnissen und Variablen.

Quelle

TensorFlow-Anwendungen können auf fast jedem geeigneten Ziel ausgeführt werden, z. B. CPUs, GPUs, ein Cluster in der Cloud, ein lokaler Computer oder Android- und iOS-Geräte.

TensorFlow-Berechnungsdiagramm

Ein Berechnungsgraph in TensorFlow ist ein Netzwerk von Knoten, in dem jeder Knoten multipliziert, addiert oder eine multivariate Gleichung auswertet. In TensorFlow werden Codes geschrieben, um ein Diagramm zu erstellen, eine Sitzung auszuführen und das Diagramm auszuführen. Jede Variable, die wir zuweisen, wird zu einem Knoten, an dem wir mathematische Operationen wie Multiplikation und Addition ausführen können.

Hier ist ein einfaches Beispiel, um die Erstellung eines Berechnungsdiagramms zu zeigen:

Angenommen, wir möchten die Berechnung durchführen: F(x,y,z) = (x+y)*z.

Die drei Variablen x, y und z werden im unten gezeigten Diagramm in drei Knoten übersetzt:

Quelle

Schritte zum Erstellen des Diagramms:

Schritt 1: Weisen Sie die Variablen zu. In diesem Beispiel sind die Werte:

x = 1, y = 2 und z = 3

Schritt 2: Addiere x und y.

Schritt 3: Multipliziere z mit der Summe von x und y.

Schließlich erhalten wir das Ergebnis als „9“.

Neben den Knoten, denen wir die Variablen zugewiesen haben, hat der Graph zwei weitere Knoten – einen für die Additionsoperation und einen weiteren für die Multiplikationsoperation. Somit gibt es insgesamt fünf Knoten.

Grundlegende Programmierelemente in TensorFlow

In TensorFlow können wir Daten drei verschiedenen Arten von Datenelementen zuweisen – Konstanten, Variablen und Platzhaltern.

Schauen wir uns an, was jedes dieser Datenelemente darstellt.

1. Konstanten

Wie der Name schon sagt, sind Konstanten Parameter mit unveränderlichen Werten. In TensorFlow wird eine Konstante mit dem Befehl tf.constant() definiert . Während der Berechnung können die Werte von Konstanten nicht geändert werden.

Hier ist ein Beispiel:

c = tf.constant(2.0,tf.float32)

d = tf.constant(3.0)

Drucken (c,d)

2. Variablen

Variablen ermöglichen das Hinzufügen neuer Parameter zum Diagramm. Der Befehl tf.variable() definiert eine Variable, die initialisiert werden muss, bevor der Graph in einer Sitzung ausgeführt wird.

Hier ist ein Beispiel:

Y = tf.Variable([.4],dtype=tf.float32)

a = tf.Variable([-.4],dtype=tf.float32)

b = tf.Platzhalter(tf.float32)

lineares_Modell = Y*b+a

3. Platzhalter

Über Platzhalter kann man Daten von außen in ein Modell einspeisen. Es ermöglicht eine spätere Zuweisung von Werten. Der Befehl tf.placeholder() definiert einen Platzhalter.

Hier ist ein Beispiel:

c = tf.placeholder(tf.float32)

d = c*2

result = sess.run(d,feed_out={c:3.0})

Der Platzhalter wird hauptsächlich verwendet, um ein Modell zu füttern. Daten von außen werden einem Graphen unter Verwendung eines Variablennamens zugeführt (der Variablenname im obigen Beispiel ist feed_out). Anschließend legen wir während der Ausführung der Sitzung fest, wie wir die Daten in das Modell einspeisen wollen.

Beispiel einer Sitzung:

Die Ausführung des Graphen erfolgt durch den Aufruf einer Session. Es wird eine Sitzung ausgeführt, um die Knoten des Diagramms auszuwerten, die als TensorFlow-Laufzeit bezeichnet wird. Der Befehl sess = tf.Session() erstellt eine Sitzung.

Beispiel:

x = tf.constant(3.0)

y = tf.constant(4.0)

z = x+y

sess = tf.Session() #Sitzung starten

print(sess.run(z)) #Auswertung des Tensors z

Im obigen Beispiel gibt es drei Knoten – x, y und z. Der Knoten „z“ ist der Ort, an dem die mathematische Operation ausgeführt wird und anschließend das Ergebnis erhalten wird. Beim Erstellen einer Sitzung und Ausführen des Knotens z werden zuerst die Knoten x und y erstellt. Dann findet die Additionsoperation am Knoten z statt. Daher erhalten wir das Ergebnis „7“.

Steigern Sie Ihre Karriere in ML und Deep Learning mit upGrad

Suchen Sie nach dem besten Ort, um mehr darüber zu erfahren, was TensorFlow ist ? Dann ist upGrad hier, um Sie bei Ihrer Lernreise zu unterstützen.

Mit einer Lernendenbasis, die mehr als 85 Länder abdeckt, ist upGrad Südasiens größte höhere EdTech-Plattform, die mehr als 500.000 Berufstätige weltweit beeinflusst hat. Mit erstklassigen Lehrkräften, Kooperationen mit Industriepartnern, der neuesten Technologie und den aktuellsten pädagogischen Praktiken gewährleistet upGrad eine ganzheitliche und immersive Lernerfahrung für seine über 40.000 bezahlten Lernenden weltweit.

Das Advanced Certificate Program in Machine Learning and Deep Learning ist ein akademisch strenger und branchenrelevanter 6-monatiger Kurs, der die Konzepte von Deep Learning abdeckt.

Programm-Highlights:

• Prestigeträchtige Anerkennung von IIIT Bangalore
• Über 240 Stunden Inhalt mit über 5 Fallstudien und Projekten, über 24 Live-Sitzungen und über 15 Experten-Coaching-Sitzungen
• Umfassende Abdeckung von 12 Tools, Sprachen und Bibliotheken (einschließlich TensorFlow)
• 360-Grad-Karriereunterstützung, Mentoring-Sitzungen und Peer-to-Peer-Networking-Möglichkeiten

Der Master of Science in maschinellem Lernen und künstlicher Intelligenz von upGrad ist ein 18-monatiges robustes Programm für diejenigen, die lernen und sich mit fortschrittlichen maschinellen Lern- und Cloud-Technologien weiterbilden möchten.

Programm-Highlights:

• Prestigeträchtige Anerkennung von der Liverpool John Moores University und dem IIT Madras
• Über 650 Stunden Inhalt mit über 25 Fallstudien und Projekten, über 20 Live-Sitzungen und über 8 Programmieraufgaben
• Umfassende Abdeckung von 7 Tools und Programmiersprachen (einschließlich TensorFlow)
• 360-Grad-Karriereunterstützung, Mentoring-Sitzungen und Peer-to-Peer-Networking-Möglichkeiten

Fazit

Maschinelles Lernen und künstliche Intelligenz entwickeln sich weiter. Was einst das Thema von Science-Fiction-Filmen war, ist jetzt Realität. Von Netflix-Filmempfehlungen und virtuellen Assistenten bis hin zu selbstfahrenden Autos und der Entdeckung von Medikamenten – maschinelles Lernen beeinflusst alle Dimensionen unseres Lebens. Darüber hinaus haben Innovationen im maschinellen Lernen mit Tools wie TensorFlow neue Höhen erreicht. Die Open-Source-Bibliothek ist zweifellos ein Segen für Entwickler und angehende Fachleute, die auf maschinellem Lernen basierende Technologien erneuern.

Also, worauf wartest Du? Lernen Sie noch heute mit upGrad!