{"id":1258,"date":"2017-12-06T21:18:07","date_gmt":"2017-12-06T21:18:07","guid":{"rendered":"http:\/\/demensdeum.com\/blog\/?p=1258"},"modified":"2024-12-16T22:32:44","modified_gmt":"2024-12-16T19:32:44","slug":"simple-example-tensorflow","status":"publish","type":"post","link":"https:\/\/demensdeum.com\/blog\/fr\/2017\/12\/06\/simple-example-tensorflow\/","title":{"rendered":"Exemple simple de TensorFlow"},"content":{"rendered":"

Je pr\u00e9sente \u00e0 votre attention un exemple simple de travail avec un framework pour travailler avec le Deep Learning – TensorFlow. Dans cet exemple, nous allons apprendre \u00e0 un r\u00e9seau de neurones \u00e0 d\u00e9tecter les nombres positifs, n\u00e9gatifs et z\u00e9ro. Installation de TensorFlow<\/a> et CUDA<\/a> Je vous informe, cette t\u00e2che n’est vraiment pas facile)<\/p>\n

Pour r\u00e9soudre les probl\u00e8mes de classification, classificateurs<\/a>. TensorFlow<\/a> dispose de plusieurs classificateurs de haut niveau pr\u00eats \u00e0 l’emploi qui n\u00e9cessitent une configuration minimale pour fonctionner. Nous allons d’abord entra\u00eener DNNClassifier<\/a> en utilisant ensemble de donn\u00e9es avec des nombres positifs, n\u00e9gatifs et z\u00e9ro – avec les \u00ab\u00a0\u00e9tiquettes\u00a0\u00bb correctes. Au niveau humain, un ensemble de donn\u00e9es est un ensemble de nombres avec des r\u00e9sultats de classification (\u00e9tiquettes)\u00a0:<\/p>\n

10 – positif<\/em><\/strong>
-22 – n\u00e9gatif<\/em><\/strong>
0 – z\u00e9ro<\/em><\/strong>
42 – positif
… autres num\u00e9ros avec classification
<\/em><\/strong>
Ensuite, la formation commence, apr\u00e8s quoi vous pouvez saisir des nombres qui n’\u00e9taient m\u00eame pas inclus dans l’ensemble de donn\u00e9es – c’est \u00e0 dire. le r\u00e9seau de neurones doit les identifier correctement.
Vous trouverez ci-dessous le code complet du classificateur avec un g\u00e9n\u00e9rateur d’ensembles de donn\u00e9es pour la formation et les donn\u00e9es d’entr\u00e9e\u00a0:
<\/p>\n

\n
import<\/span> tensorflow<\/span>importer<\/span> itertools<\/span>importer<\/span> al\u00e9atoire<\/span>de<\/span> heure<\/span> heure d'importation<\/span>classe<\/span> ClassifiedNumber<\/span>\u00a0:__number =<\/span> 0<\/span>__classifiedAs =<\/span> 3<\/span>def<\/span> __init__<\/span>(soi<\/span>, nombre)\u00a0:soi<\/span>.<\/span>__num\u00e9ro =<\/ envergure>num\u00e9roif<\/span> num\u00e9ro ==<\/span> 0<\/span>\u00a0:soi<\/span>.<\/span>__classifiedAs =<\/ span> 0<\/span> # z\u00e9roNum\u00e9ro elif<\/span> ><\/span> 0<\/span>\u00a0:soi<\/span>.<\/span>__classifiedAs =<\/ span> 1<\/span> # positif<\/span>Num\u00e9ro elif<\/span> <<\/span> 0<\/span>\u00a0:soi<\/span>.<\/span>__classifiedAs =<\/ span> 2<\/span> # n\u00e9gatif<\/span>def<\/span> number<\/span>(soi<\/span>)\u00a0:return<\/span> self<\/span>.<\/span>__num\u00e9rodef<\/span> classifiedAs<\/span>(soi<\/span>)\u00a0:return<\/span> self<\/span>.<\/span>__classifiedAsdef<\/span> classifiedAsString<\/span>(classifiedAs)\u00a0:if<\/span> class\u00e9 comme ==<\/span> 0<\/span>\u00a0:retour<\/span> \"Z\u00e9ro\"<\/span>elif<\/span> class\u00e9As ==<\/span> 1<\/span>\u00a0:retour<\/span> \"Positif\"<\/span>elif<\/span> class\u00e9As ==<\/span> 2<\/span>\u00a0:return<\/span> \"Negative\"<\/span>def<\/span> trainDatasetFunction<\/span>()\u00a0:trainNumbers =<\/span> []trainNumberLabels =<\/span> []pour<\/span> i in<\/span> plage<\/span>(-<\/span>1000<\/span>, 1001<\/span>)\u00a0:num\u00e9ro =<\/span> ClassifiedNumber(i)trainNumbers.<\/span>append(number.<\/span>number())trainNumberLabels.<\/span>append(number.<\/span>classifiedAs())return<\/span> ( {\"number\"<\/span> : trainNumbers } , trainNumber\u00c9tiquettes)def<\/span> inputDatasetFunction<\/span>()\u00a0:global<\/span> randomSeedrandom.<\/span>seed(randomSeed) # pour obtenir le m\u00eame r\u00e9sultat<\/span>nombres =<\/span> []pour<\/span> i in<\/span> plage<\/span>(0<\/span>, 4<\/span>)\u00a0:nombres.<\/span>append(random.<\/span>randint(-<\/span>9999999<\/span>, 9999999<\/span>))return<\/span> {\"number\"<\/span> : nombres }def<\/span> main<\/span>()\u00a0:print<\/span>(\"Test de classificateur de nombres TensorFlow Positif-N\u00e9gatif-Z\u00e9ro par demensdeum 2017 (demensdeum@gmail. com)\"<\/span>)maximalClassesCount =<\/span> len<\/span>(set< \/span>(trainDatasetFunction()[1<\/span>])) +<\/span> 1<\/span>numberFeature =<\/span> tensorflow.<\/span>feature_column. <\/span>numeric_column(\"num\u00e9ro\"<\/span>)classificateur =<\/span> tensorflow.<\/span>estimateur. <\/span>DNNClassifier(feature_columns =<\/span> [numberFeature], Hidden_units =<\/span> [10<\/span>, 20<\/span>, 10<\/span>], n_classes =<\/span> maximalClassesCount)g\u00e9n\u00e9rateur =<\/span> classificateur.<\/span>train(input_fn =<\/span> trainDatasetFunction, \u00e9tapes =<\/span> 1000<\/span>).<\/span>predict(input_fn = <\/span> inputDatasetFunction)inputDataset =<\/span> inputDatasetFunction()r\u00e9sultats =<\/span> list<\/span>(itertools. <\/span>islice(g\u00e9n\u00e9rateur, len<\/span>(inputDatasetFunction()[\"num\u00e9ro\"<\/span>])))je =<\/span> 0<\/span>pour<\/span> r\u00e9sultat dans<\/span> r\u00e9sultats\u00a0:imprimer<\/span>(\"num\u00e9ro\u00a0: %d class\u00e9 comme %s\"<\/span> %<\/span> (inputDataset[\"number\"<\/span>][i], classifi\u00e9AsString(result[\"class_ids\"<\/span>][0<\/span> ])))je +=<\/span> 1<\/span>randomSeed =<\/span> time()principal()<\/pre>\n<\/div>\n
Tout commence dans la m\u00e9thode main(), nous d\u00e9finissons la colonne num\u00e9rique avec laquelle le classificateur fonctionnera – tensorflow.feature_column.numeric_column(“number”)<\/strong> Ensuite, les param\u00e8tres du classificateur sont d\u00e9finis. Il est inutile de d\u00e9crire les arguments d’initialisation actuels, car l’API change chaque jour, et vous devez absolument consulter la documentation de la version install\u00e9e de TensorFlow et ne pas vous fier \u00e0 des manuels obsol\u00e8tes.<\/p>\n
Ensuite, la formation est lanc\u00e9e en indiquant une fonction qui renvoie un ensemble de donn\u00e9es de nombres de -1\u00a0000 \u00e0 1\u00a0000 (trainDatasetFunction<\/strong>), avec la classification correcte de ces nombres en fonction du positif, du n\u00e9gatif ou du z\u00e9ro. Ensuite, nous soumettons en entr\u00e9e les nombres qui ne figuraient pas dans l’ensemble de donn\u00e9es de formation –\u00a0; al\u00e9atoire de -9999999 \u00e0 9999999 (inputDatasetFunction<\/strong>) pour les classer.<\/p>\n
Enfin, nous lan\u00e7ons des it\u00e9rations en fonction du nombre de donn\u00e9es d’entr\u00e9e (itertools.islice<\/strong>), imprimons le r\u00e9sultat, l’ex\u00e9cutons et sommes surpris\u00a0:<\/p>\n
<\/p>\n
\n
num\u00e9ro\u00a0: 4063470 class\u00e9 comme positifnum\u00e9ro : 6006715 class\u00e9 Positifnum\u00e9ro\u00a0:\u00a0-5367127 class\u00e9 comme n\u00e9gatifnum\u00e9ro\u00a0: -7834276 class\u00e9 comme n\u00e9gatif<\/pre>\n<\/div>\n
\n
IL EST VIVANT<\/a <\/p>\n<\/blockquote>\n