TensorFlow memungkinkan Anda membuat jaringan saraf berskala besar dengan banyak lapisan seperti CNN, RNN, dll. TensorFlow adalah kerangka kerja komputasi yang digunakan untuk membangun model pembelajaran mendalam. Ini adalah pustaka sumber terbuka untuk komputasi numerik dan pembelajaran mesin berskala besar.
Tensor dan TensorFlow
Tensor adalah vektor atau matriks n-dimensi yang mewakili semua jenis data. Kita dapat mengatakan bahwa tensor adalah kumpulan vektor fitur (yaitu array) berdimensi-n. Tensor dapat dianggap sebagai array multidimensi berukuran dinamis. bentuk dari data adalah dimensionalitas matriks atau array. OTensor satu dimensi dikenal sebagai skalar.
"TensorFlow" berasal dari operasi yang dilakukan jaringan saraf pada tensor. Secara harfiah, ini adalah aliran tensor. Tensor masuk ke dalam, mengalir melalui berbagai simpul dalam jaringan saraf, lalu keluar. Itulah sebabnya, ia disebut TensorFlow.
TensorFlow terdiri dari dua istilah – Tensor dan Flow: Dalam TensorFlow, istilah tensor mengacu pada representasi data sebagai array multidimensi sedangkan istilah flow mengacu pada serangkaian operasi yang dilakukan seseorang pada tensor.
Peringkat Tensor: 0 (skaler), 1 (vektor), 2 (matriks), 3 (3-tensor)……., n (n-tensor)
Mengapa TensorFlow?
1. Menyediakan API C++ dan Python.
2. Memiliki waktu kompilasi yang lebih cepat dibandingkan dengan pustaka pembelajaran mendalam lainnya seperti Keras dan PyTorch.
3. Mendukung perangkat komputasi CPU dan GPU.
4. Tersedia di perangkat seluler dan desktop.
5. TensorFlow runtime adalah pustaka lintas platform.
Versi TensorFlow
1. TensorFlow hanya dengan dukungan CPU
2. TensorFlow dengan dukungan GPU
Model ini dapat dilatih dan digunakan pada GPU maupun CPU.
Google Kolaborasi: Ini adalah lingkungan notebook Jupyter gratis yang tidak memerlukan pengaturan dan berjalan sepenuhnya di cloud. Dengan Colaboratory, Anda dapat menulis dan menjalankan kode, menyimpan dan berbagi analisis, serta mengakses sumber daya komputasi yang canggih, semuanya gratis dari browser Anda.
Grafik (Grafik komputasional)
Grafik terdiri dari simpul dan sisi. SRangkaian operasi TensorFlow disusun sebagai node dalam grafik komputasi.
Nodes: Setiap simpul mengambil 0 atau lebih tensor sebagai masukan dan menghasilkan tensor sebagai keluaran. Node menjalankan operasi matematika dan menghasilkan keluaran titik akhir.
Properti sebuah node: label unik (nama), dimensi (bentuk), tipe data (dtype)
Jenis data: float32, float64, int8, int16, int32, int64, uint8, string dan bool
Jenis-jenis Node: konstan, placeholder, Variabel, Tensor Jarang
Jika Anda belum memberikan tipe data secara eksplisit, TensorFlow akan menyimpulkan tipe konstanta/variabel dari nilai yang diinisialisasi.
Harus menginisialisasi variabel di TensorFlow
Konstanta diinisialisasi saat Anda memanggil tf.konstan tetapi variabel tidak diinisialisasi saat Anda memanggil tf.Variabel.
Untuk menginisialisasi semua variabel dalam program TensorFlow, Anda harus secara eksplisit memanggil operasi khusus seperti yang ditunjukkan di bawah ini:
inisiasi = tf.penginisialisasi_variabel_global()
sess.jalankan(init)
Variabel harus diinisialisasi sebelum grafik digunakan pertama kalinya.
Variabel TensorFlow merupakan buffer dalam memori yang berisi tensor, tetapi tidak seperti tensor normal yang hanya dibuat saat grafik dijalankan dan langsung dihapus setelahnya, variabel tetap ada setelah beberapa eksekusi grafik.
Tepi: Tepi menjelaskan hubungan masukan/keluaran antara simpul. Tepi simpul adalah tensor, yaitu cara untuk mengisi operasi dengan data. Setiap operasi disebut simpul op.
Menjalankan Grafik: Ada dua langkah yang terlibat saat mengeksekusi grafik:
1. Membangun Grafik Komputasi: Buat saja node dan tetapkan operasi ke sana.
2. Menjalankan Grafik Komputasi: Kita perlu menjalankan grafik komputasi dalam suatu sesi. Sesi juga disebut Waktu Proses TensorFlow. Sesi menempatkan operasi grafik ke perangkat, seperti CPU atau GPU, dan menyediakan metode untuk menjalankannya. Sesi merangkum kontrol dan status runtime TensorFlow, yaitu menyimpan informasi tentang urutan semua operasi yang akan dilakukan dan meneruskan hasil operasi yang telah dihitung ke operasi berikutnya dalam alur kerja.
Keuntungan Grafik Komputasional
1. Eksekusi paralel: Operasi yang ditugaskan ke berbagai simpul dalam grafik komputasi dapat dilakukan secara paralel, sehingga memberikan kinerja yang lebih baik dalam hal komputasi.
Node dan edge dapat disebarkan ke beberapa kluster komputer (secara terdistribusi).
2. Portabilitas: Portabilitas grafik memungkinkan untuk menyimpan perhitungan untuk penggunaan langsung atau nanti. Grafik dapat disimpan dan dijalankan di masa mendatang.
Pipeline, Batch, Epoch, Iterasi dan Estimator
Alur dan Batch: Jika Anda memiliki kumpulan data sebesar 50 GB, dan komputer Anda hanya memiliki memori sebesar 16 GB, maka mesin akan mogok. Dalam situasi ini, Anda perlu membuat alur kerja TensorFlow. Alur kerja akan memuat data secara berkelompok. Setiap kelompok akan dimasukkan ke alur kerja dan siap untuk pelatihan. Hal ini memungkinkan Anda untuk menggunakan komputasi paralel. Artinya, TensorFlow akan melatih model di beberapa CPU atau GPU.
jenis: Gunakan Pipeline jika Anda memiliki kumpulan data yang besar. Gunakan Pandas untuk data kurang dari 10GB.
Jaman: Epoch menentukan berapa kali Anda ingin model melihat data. Satu epoch dihitung saat semua data Anda disebarkan maju dan mundur melalui seluruh jaringan neural.
Mari kita ambil contoh. Misalkan Anda memiliki kumpulan data dengan 1200 observasi. Anda akan menggunakan alur kerja dan telah membuat 3 kelompok yang masing-masing berisi 400 observasi. Sekarang, Anda akan mengambil 3 iterasi (1200 / 400) untuk menyebarkan data maju dan mundur sepenuhnya melalui jaringan saraf untuk menyelesaikan satu zaman.
Pengukur: Ini adalah API Tensorflow yang digunakan untuk mengimplementasikan algoritma. Kita dapat mengimpor API estimator berikut untuk menyelesaikan banyak masalah klasifikasi dan regresi.
penaksir tf.Regresor Linier
penaksir tf.Pengklasifikasi Linier
penaksir tf.Regresor BoostedTrees
penaksir tf.Klasifikasi Pohon yang Ditingkatkan
penaksir tf.Pengklasifikasi DNN
penaksir tf.DNNLinearCombinedClassifier
Estimator digunakan untuk membuat grafik komputasi, menginisialisasi variabel, melatih model, dan menyimpan file checkpoint dan logging untuk Tensorboard. Untuk menggunakan estimator, kita perlu membuat kolom fitur dan fungsi masukan.
Fungsi input digunakan untuk meneruskan data input ke model untuk pelatihan dan evaluasi. Kolom fitur adalah spesifikasi tentang bagaimana model harus menginterpretasikan data input. Kita akan melihat konsep ini secara terperinci saat kita memecahkan masalah menggunakan TensorFlow di postingan saya selanjutnya.
Papan Tensor
TensorBoard memungkinkan untuk memantau secara grafis dan visual apa yang dilakukan TensorFlow. TensorFlow didasarkan pada komputasi grafik; yang memungkinkan pengembang untuk memvisualisasikan konstruksi jaringan saraf dengan Tensorboard.
