Dalam artikel tentang TensorFlow ini, kita akan melihat cara membuat dan menjalankan grafik dengan mengambil contoh sederhana dari konstanta, placeholder, dan variabel. Kita juga akan mempelajari sesuatu tentang sesi dan kamus feed. Untuk mempelajari beberapa teori tentang TensorFlow, Anda dapat melihat postingan saya iniAnda dapat mengunduh buku catatan Jupyter saya yang berisi kode berikut dari di sini.
Hal pertama yang pertama, mari impor pustaka TensorFlow.
impor tensorflow sebagai tf
Konstanta
Kami telah mendeklarasikan tiga node (a, b, dan c). Operasi yang dilakukan pada node “a” dan “b” adalah mendeklarasikan nilai konstan. Node “c” melakukan operasi perkalian.
a = tf.konstanta(5.0)
b = tf.konstan(6.0)
c = sebuah * b
Sampai sekarang, kita baru saja membuat grafik. Kita perlu menjalankannya. Untuk menjalankan grafik di TensorFlow, kita perlu membuat sesi. Berikut ini adalah cara untuk membuat sesi dan menjalankan grafik.
sesi = tf.Sesi()
hasil = sesi.run(c)
cetak (hasil)
sesi.tutup()
Output: 30.0
Contoh lain
Kita juga dapat meneruskan tipe data ke sebuah node.
a = tf.konstan(5.0, tf.float32)
b = tf.konstan(6.0)
mencetak(a,b)
Jika kita mencetak node sebelum menjalankan grafik, kita akan mendapatkan output berikut:
Keluaran: Tensor(“Const_2:0”, bentuk=(), tipe data=float32) Tensor(“Const_3:0”, bentuk=(), tipe data=float32)
Untuk mencetak nilai aktual, kita perlu membuat sesi dan menjalankan grafik.
sesi = tf.Sesi()
hasil = sesi.jalankan([a,b])
cetak (hasil)
sesi.tutup()
Keluaran: [5.0, 6.0]
Placeholder
Kami memberikan nilai pada placeholder sewaktu menjalankan grafik.
a = tf.tempat penampung(tf.float32)
b = tf.tempat penampung(tf.float32)
c = sebuah * b
d = 2 * sebuah
sesi = tf.Sesi()
hasil = sesi.jalankan(c, {a:[1,3], b:[2,4]})
cetak (hasil)
Keluaran: [ 2. 12.]
Kamus Umpan: Kita juga dapat membuat kamus dan memasukkannya ke dalam placeholder saat menjalankan grafik. Kita menggunakan umpan_dict parameter untuk ini.
dictionary = {a:[[[1,2,3],[4,5,6],[7,8,9]],[[1,2,3],[4,5,6],[7,8,9]]]}
hasil = sesi.run(d, feed_dict=kamus)
cetak (hasil)
sesi.tutup()
Keluaran:
[[[ 2.]
[ Tanggal 8.]
[14. 16. 18.]]
[[ 2. 4. 6.]
[ Tanggal 8.]
[14. 16. 18.]]]
Memberi nama pada sebuah node
Kita juga dapat memberikan nama pada sebuah node. Ini berguna dalam memvisualisasikan node di Tensor Board.
a = tf.placeholder(tf.float32, nama=”A”)
b = tf.placeholder(tf.float32, nama=”B”)
c = tf.kalikan(a, b, nama=”C”)
dengan tf.Session() sebagai sesi:
hasil = sesi.run(c, feed_dict={a:[1,2,3], b:[4,5,6]})
cetak (hasil)
Keluaran: [ 4. 10. 18.]
Variabel
Mari membuat beberapa node dan menetapkan beberapa operasi ke node tersebut.
nol = tf.Variabel(0)
satu = tf.konstanta(1)
nilai_baru = tf.tambah(nol, satu)
variabel_yang_diperbarui = tf.assign(nol, nilai_baru)
Kita harus menginisialisasi semua variabel saat menjalankan grafik. Jadi, baris berikut wajib diisi.
inisiasi = tf.penginisialisasi_variabel_global()
Sekarang, buat sesi dan jalankan grafiknya.
sesi = tf.Sesi()
sesi.jalankan(init)
cetak(sesi.jalankan(nol))
cetak(sesi.jalankan(satu))
cetak(sesi.jalankan(nilai_baru))
cetak(sesi.jalankan(variabel_yang_diperbarui))
Keluaran:
0
1
1
1
Mari kita jalankan node “updated_variable” sebanyak 5 kali dan amati hasilnya.
untuk _ dalam rentang (5):
sesi.jalankan(variabel_yang_diperbarui)
cetak(sesi.jalankan(nol))
Keluaran:
2
3
4
5
6
Terakhir, tutup sesi.
sesi.tutup()
String
Di bawah ini adalah ilustrasi operasi penggabungan string di TensorFlow.
halo = tf.konstan('halo')
dunia = tf.konstanta('dunia')
halo_dunia = tf.add(halo, dunia)
dengan tf.Session() sebagai sesi:
cetak(sesi.jalankan(hello_world))
Keluaran: b'helloworld'
