分析开源机器学习框架TensorFlow

news/2024/7/10 18:58:38 标签: 机器学习, 开源, tensorflow

TensorFlow是一个开源的机器学习框架，由Google开发和维护。它提供了一个灵活的编程环境，可用于构建和训练各种机器学习模型。TensorFlow的基本概念和使用场景如下：

  1. 张量（Tensor）：在TensorFlow中，所有的数据都以张量的形式表示。张量是一个多维数组，可以是标量（0维张量）、向量（1维张量）、矩阵（2维张量）或更高维度的数组。Tensor是用于描述向量、标量和其它Tensor之间线性关系的集合对象。线性关系的简单例子包括点乘、叉乘和线性映射。向量和标量本身也是Tensor。
    Tensor和多维矩阵的区别：
    多维矩阵是一种数据结构，可以在特定坐标系下表示Tensor。
    Tensor是一类多重线性函数，处理一系列线性可分的向量变量。在预定义好Tensor的情况下，数据传入时就会开始实际运算。

  2. 计算图（Computation Graph）：TensorFlow使用计算图来表示机器学习模型的计算过程。计算图由一系列的操作（Operations）和张量组成。操作表示对张量的计算，而张量则表示操作之间的数据流动。一个运算图(computational graph)是用图节点描述的一系列TensorFlow操作。每个节点输入0或多个Tensor，输出1个Tensor。一类节点被称为常量节点，它没有输入，只输出它存储的常量。上述运算中的at和bt在传至节点前必须被赋值，如果不赋值会出现TypeError。目前的graph包括at和bt两个Tensor以及mult运算。为了处理mult运算，运算图需要开启一个session。除了常量constant，还可以用变量variables和占位符Placeholders来给图传值。变量存储于内存缓冲区中，它们必须被显性初始化并可以在训练中和训练后保存到硬盘中。一般在调用模型前用一个函数实现所有变量的初始化。占位符描述的量一般不会再创建运算图时被赋值，而是在运算过程中得到其值。

     

  3. 变量（Variable）：变量是在模型训练过程中需要优化的参数，例如神经网络的权重和偏差。在TensorFlow中，变量可以在计算图中进行定义和初始化，并且在训练过程中不断更新。

  4. 会话（Session）：TensorFlow需要在会话中执行计算图。会话负责分配计算资源，运行操作，并且存储变量的值。通过会话，可以有效地管理计算资源和模型的状态。

  5. 模型保存和恢复：TensorFlow提供了保存和恢复模型的功能，可以将训练好的模型保存到磁盘上，并在需要的时候重新加载模型。这样可以避免重新训练模型，并且方便模型的部署和分享。

TensorFlow的使用场景非常广泛，包括但不限于以下方面：

  1. 机器学习模型的训练和推断：TensorFlow可以用于构建和训练各种机器学习模型，例如神经网络、决策树、支持向量机等。通过定义计算图和调整模型参数，可以进行模型的训练和推断。





  2. 自然语言处理（NLP）：TensorFlow提供了一些高级的API和工具，用于处理自然语言处理任务，例如文本分类、情感分析、机器翻译等。可以使用TensorFlow搭建文本处理模型，并利用大量的数据进行训练。

  3. 图像处理和计算机视觉：TensorFlow可以用于图像处理和计算机视觉任务，例如图像分类、目标检测、图像生成等。通过使用预训练的模型或者自定义模型，可以实现图像相关的各种任务。

  4. 强化学习：TensorFlow可以用于强化学习任务，例如智能游戏、机器人控制等。通过定义奖励和动作空间，可以使用TensorFlow构建强化学习模型，并进行训练和优化。

总之，TensorFlow是一个功能强大的机器学习框架，可以帮助开发者构建和训练各种类型的机器学习模型，并在各个领域解决各种复杂的问题。

tensorflow.js-是一个用于使用-javascript-进行机器学习开发的库">小试牛刀

使用 JavaScript 开发机器学习模型，并直接在浏览器或 Node.js 中使用机器学习模型。

TensorFlow.js 提供了一系列预训练好的模型，方便大家快速地给自己的程序引入人工智能能力。
模型库中模型分类包括图像识别、语音识别、人体姿态识别、物体识别、文字分类等。
由于这些 API 默认模型文件都存储在谷歌云上，直接使用会导致中国用户无法直接读取。在程序内使用模型 API 时要提供 modelUrl 的参数，可以指向谷歌中国的镜像服务器。

模型的 url path 是一致的。以 posenet 模型为例：

谷歌云地址
https://storage.googleapis.com/tfjs-models/savedmodel/posenet/mobilenet/float/050/model-stride16.json
中国镜像地址
https://www.gstaticcnapps.cn/tfjs-models/savedmodel/posenet/mobilenet/float/050/model-stride16.json

在浏览器中使用 MobileNet 进行摄像头物体识别

这里我们将通过一个简单的 HTML 页面，来调用 TensorFlow.js 和与训练好的 MobileNet ，在用户的浏览器中，通过摄像头来识别图像中的物体是什么。

1. 我们建立一个 HTML 文件，在头信息中，通过将 NPM 模块转换为在线可以引用的免费服务 unpkg.com，来加载 @tensorflow/tfjs 和 @tensorflow-models/mobilenet 两个 TFJS 模块：

<head>
   <script src="https://unpkg.com/@tensorflow/tfjs"></script>
   <script src="https://unpkg.com/@tensorflow-models/mobilenet"> </script>
</head>

2. 我们声明三个 HTML 元素：用来显示视频的 <video>，用来显示我们截取特定帧的 <img>，和用来显示检测文字结果的 <p>：

<video width=400 height=300></video>
<p></p>
<img width=400 height=300 />

3. 我们通过 JavaScript ，将对应的 HTML 元素进行初始化：video, image, status 三个变量分别用来对应 <video>, <img>, <p> 三个 HTML 元素，canvas 和 ctx 用来做从摄像头获取视频流数据的中转存储。model 将用来存储我们从网络上加载的 MobileNet：

    const video = document.querySelector('video')
    const image = document.querySelector('img')
    const status = document.querySelector("p")

    const canvas = document.createElement('canvas')
    const ctx = canvas.getContext('2d')

    let model

4. main() 用来初始化整个系统，完成加载 MobileNet 模型，将用户摄像头的数据绑定 <video> 这个 HTML 元素上，最后触发 refresh() 函数，进行定期刷新操作：

async function main () {
        status.innerText = "Model loading..."
        model = await mobilenet.load()
        status.innerText = "Model is loaded!"

        const stream = await navigator.mediaDevices.getUserMedia({ video: true })
        video.srcObject = stream
        await video.play()
        
        canvas.width = video.videoWidth
        canvas.height = video.videoHeight

        refresh()
    }

5. refresh() 函数，用来从视频中取出当前一帧图像，然后通过 MobileNet 模型进行分类，并将分类结果，显示在网页上。然后，通过 setTimeout，重复执行自己，实现持续对视频图像进行处理的功能：

async function refresh(){
        ctx.drawImage(video, 0,0)
        image.src = canvas.toDataURL('image/png')
        
        await model.load()
        const predictions = await model.classify(image)
        
        const className = predictions[0].className
        const percentage = Math.floor(100 * predictions[0].probability)
        
        status.innerHTML = percentage + '%' + ' ' + className
        
        setTimeout(refresh, 100)
    }

整体功能，只需要一个文件，几十行 HTML/JavaScript 即可实现。可以直接在浏览器中运行，完整的 HTML 代码如下：

<!DOCTYPE html>
<html lang="en">
<head>
	<meta charset="UTF-8">
	<meta http-equiv="X-UA-Compatible" content="IE=edge">
	<meta name="viewport" content="width=device-width, initial-scale=1.0">
	<title>tensorflow demo</title>
    <script src="https://unpkg.com/@tensorflow/tfjs"></script>
    <script src="https://unpkg.com/@tensorflow-models/mobilenet"> </script>
</head>

<body>
	<div>
		<video width=400 height=300></video>
		<p></p>
		<img width=400 height=300 />
	</div>

<script>
    const video = document.querySelector('video')
    const image = document.querySelector('img')
    const status = document.querySelector("p")

    const canvas = document.createElement('canvas')
    const ctx = canvas.getContext('2d')

    let model

    main()

    async function main () {
        status.innerText = "Model loading..."
        model = await mobilenet.load()
        status.innerText = "Model is loaded!"

        const stream = await navigator.mediaDevices.getUserMedia({ video: true })
        video.srcObject = stream
        await video.play()
        
        canvas.width = video.videoWidth
        canvas.height = video.videoHeight

        refresh()
    }

    async function refresh(){
        ctx.drawImage(video, 0,0)
        image.src = canvas.toDataURL('image/png')
        
        await model.load()
        const predictions = await model.classify(image)
        
        const className = predictions[0].className
        const percentage = Math.floor(100 * predictions[0].probability)
        
        status.innerHTML = percentage + '%' + ' ' + className
        
        setTimeout(refresh, 100)
    }

</script>

</body>
</html>

TensorFlow.js 中的 sub() 系列数学计算函数

TensorFlow.js 支持 tf.sub(a, b) 和 a.sub(b) 两种方法的数学函数调用。其效果是等价的，读者可以根据自己的喜好来选择。

<!DOCTYPE html>
<html lang="en">
<head>
	<meta charset="UTF-8">
	<meta http-equiv="X-UA-Compatible" content="IE=edge">
	<meta name="viewport" content="width=device-width, initial-scale=1.0">
	<title>tensorflow demo</title>

    <script src="http://unpkg.com/@tensorflow/tfjs/dist/tf.min.js"></script>

</head>
<body>
	<div>
	    <p id="result"></p>
	</div>

<script>
window.onload = function(){
    const xsRaw = tf.tensor([2013, 2014, 2015, 2016, 2017])
    const ysRaw = tf.tensor([12000, 14000, 15000, 16500, 17500])

    // 归一化
    const xs = xsRaw.sub(xsRaw.min())
                    .div(xsRaw.max().sub(xsRaw.min()))
    const ys = ysRaw.sub(ysRaw.min())
                    .div(ysRaw.max().sub(ysRaw.min()))

    const a = tf.scalar(Math.random()).variable()
    const b = tf.scalar(Math.random()).variable()

    // y = a * x + b.
    const f = (x) => a.mul(x).add(b)
    const loss = (pred, label) => pred.sub(label).square().mean()

    const learningRate = 1e-3
    const optimizer = tf.train.sgd(learningRate)

    // 训练模型
    for (let i = 0; i < 10000; i++) {
        optimizer.minimize(() => loss(f(xs), ys))
    }

    // 预测
    console.log(`a: ${a.dataSync()}, b: ${b.dataSync()}`)
	let result= document.getElementById('result')
	let str = `a: ${a.dataSync()}`+` b: ${b.dataSync()}`
    result.innerHTML = '<span>'+str+'</span>'
    const preds = f(xs).dataSync()
    const trues = ys.arraySync()
    preds.forEach((pred, i) => {
        console.log(`x: ${i}, pred: ${pred.toFixed(2)}, true: ${trues[i].toFixed(2)}`)
    })
}
</script>
</body>
</html>

更多demo可以访问：TensorFlow.js演示 https://tensorflow.google.cn/js/demos?hl=zh-cn

参见：

关于TensorFlow | TensorFlow中文官网

TensorFlow.js演示 | TensorFlow中文官网

来自 GDE 李锡涵的简单粗暴 TensorFlow 2 手册

TensorFlow.js sub API

Tensorflow in Deep Learning - Easy TensorFlow


http://www.niftyadmin.cn/n/5408963.html

相关文章

【PowerMockito:编写单元测试过程中原方法没有注入的属性在跑单元测试时出现空指针】

【PowerMockito:编写单元测试过程中原方法没有注入的属性在跑单元测试时出现空指针】

出错场景 下面这一步报空指针&#xff0c;但是因为没有注入&#xff0c;在测试类中无法使用Mock 解决 在执行方法前&#xff0c;加入以下代码 MemberModifier.field(ResourceServiceImpl.class,"zero").set(resourceService,"0");
阅读更多...
VGG16-CF-VGG11实验报告

VGG16-CF-VGG11实验报告

说明&#xff1a;VGG16和CF-VGG11是论文《A 3D Fluorescence Classification and Component Prediction Method Based on VGG Convolutional Neural Network and PARAFAC Analysis Method》使用的两种主要模型。其对应代码仓库提供了实验使用的数据集、平行因子分析结果和CNN模…
阅读更多...
激光炸弹 刷题笔记

激光炸弹 刷题笔记

前置知识 二维前缀和 子矩阵的和 刷题笔记 {二维前缀和}-CSDN博客 思路 参考二维前缀和 将子矩阵的和 做成动态矩阵 一个个矩阵搜索 符合要求边长 矩阵中的元素和最大值 将x1,y1用i-k,j-k表示即可 x2,y2用i&#xff0c;j表示 代码 #include<iostream> #include<…
阅读更多...
芯片后端的APR是指什么？

芯片后端的APR是指什么？

APR&#xff0c;代表自动布局与布线&#xff08;Auto Placement & Route&#xff09;&#xff0c;已经成为芯片后端设计的重要部分。在当今EDA&#xff08;电子设计自动化&#xff09;工具高度发展的背景下&#xff0c;手动摆放单元格并绘制连线已经变得不切实际。因此&…
阅读更多...
Java：List列表去重有序和无序

Java：List列表去重有序和无序

目录 待去重列表HashSet去重&#xff08;不保证顺序&#xff09;TreeSet去重&#xff08;不保证顺序&#xff09;LinkedHashSet去重(保证顺序)遍历List去重&#xff08;保证顺序&#xff09;Java8中Stream流处理&#xff08;保证顺序&#xff09;参考文章 待去重列表 // 列表 …
阅读更多...
python 远程代码第一次推送

python 远程代码第一次推送

conda windows 环境 conda 安装后 配置环境变量 运行 conda init; conda active base 创建虚拟环境 conda create -n my_venv python3.9.5 虚拟环境应用 file-->New project --> Existing interpreter ... -->Virtualenv environment-->interpreter ...--&g…
阅读更多...
【Python 图像处理 PIL 系列 13.1 -- 从列表中读取图像数据并生成图像】

【Python 图像处理 PIL 系列 13.1 -- 从列表中读取图像数据并生成图像】

文章目录 从列表中读取图像数据并生成图像代码示例 从列表中读取图像数据并生成图像 在Python中&#xff0c;可以使用Pillow库来创建和保存图像。这里我们将展示如何从列表list_num中读取RGB颜色数据&#xff0c;并根据row_num和column_num生成RGB格式的图像。 安装Pillow库&…
阅读更多...
echarts柱状图可鼠标左击出现自定义弹框，右击隐藏弹框并阻止默认右击事件

echarts柱状图可鼠标左击出现自定义弹框，右击隐藏弹框并阻止默认右击事件

每项x轴数据对应有两条柱图和一条阴影效果是学习其它博客得到的效果&#xff0c;这个是学习的原文链接&#xff1a;echarts两个合并柱体&#xff08;普通柱状图象形柱图&#xff09;共享一个柱体阴影 因为这次情况比较特殊&#xff0c;不仅需要自定义弹框内容&#xff0c;而且…
阅读更多...
最新文章

Copyright @ 2022~2023