Site is under maintenance mode. Please wait few min!
Saltar al contenido

Cómo configurar, construir y desplegar aplicaciones nativas con Vue

marzo 4, 2020

 

Introducción

TensorFlow es el software de aprendizaje de máquina de código abierto utilizado para entrenar las redes neuronales de networks.TensorFlow neuronal se expresan en forma de gráficos de flujo de datos con estado. Cada nodo en el gráfico representa las operaciones realizadas por las redes neuronales en matrices multidimensionales. Estas matrices multidimensionales se conocen comúnmente como “tensores”, de ahí el nombre TensorFlow.

TensorFlow es un sistema de software de aprendizaje profundo. Funciona bien para la recuperación de información, como se ha demostrado por Google en la forma en que hacen de búsqueda ranking en su sistema de inteligencia artificial de aprendizaje automático, RankBrain. TensorFlow puede realizar el reconocimiento de imágenes, como se muestra en Origen de Google, así como el reconocimiento de audio lenguaje humano. También es útil en la solución de otros problemas no específicos de aprendizaje de máquinas, tales como ecuaciones diferenciales parciales. arquitectura

El TensorFlow permite el despliegue de múltiples CPU o GPU dentro de una computadora de escritorio, servidor o dispositivo móvil. También hay extensiones para la integración con CUDA, una plataforma de computación en paralelo de Nvidia. Esto ofrece a los usuarios que están implementando en una GPU acceso directo al sistema de instrucción virtual y otros elementos de la GPU que son necesarios para tareas de cómputo paralelo.

En este tutorial, vamos a instalar “soporte de CPU única” de TensorFlow versión. Esta instalación es ideal para personas que buscan para instalar y utilizar TensorFlow, pero que no tienen una tarjeta gráfica Nvidia o no es necesario para ejecutar aplicaciones de rendimiento crítico.

Puede instalar TensorFlow varias maneras. Cada método tiene un caso de uso y entorno de desarrollo diferente:

  • Python y virtualenv: En este enfoque, se instala TensorFlow y todos los paquetes necesarios para TensorFlow en un entorno virtual de Python. Esto aísla de su entorno TensorFlow de otros programas Python en la misma máquina.
  • nativo de pepita: En este método, se instala TensorFlow en su sistema a nivel mundial. Esto se recomienda para las personas que quieren hacer TensorFlow disposición de todos en un sistema multi-usuario. Este método de instalación hace TensorFlow no aislado en un entorno contenida y puede interferir con otras instalaciones de Python o bibliotecas.
  • acoplable: Docker es un entorno de ejecución de contenedores y aísla completamente su contenido preexistente de paquetes en el sistema. En este método, se utiliza un recipiente que contiene acoplable TensorFlow y todas sus dependencias. Este método es ideal para la incorporación de TensorFlow en una arquitectura de aplicación más grande ya usando acoplable. Sin embargo, el tamaño de la imagen acoplable será bastante grande.

En este tutorial, vamos a instalar TensorFlow en un entorno virtual de Python con virtualenv. Este enfoque aísla la instalación TensorFlow y hace que las cosas en marcha rápidamente. Una vez completada la instalación, podrás validar la instalación mediante la ejecución de un programa TensorFlow corta y luego usar TensorFlow para llevar a cabo el reconocimiento de imágenes.

Requisitos previos

Antes de comenzar este tutorial, necesitará lo siguiente: 18.04 servidor

  • Una Ubuntu con al menos 1 GB de RAM estableció siguiendo la guía de configuración inicial del servidor de Ubuntu 18.04, incluyendo un usuario no root sudo y un firewall. Usted necesitará por lo menos 1 GB de RAM para realizar con éxito el último ejemplo en este tutorial.
  • Python 3.3 o superior y virtualenv instalados. Siga Cómo instalar Python 3 en Ubuntu 18.04 a configurar Python y virtualenv.
  • Git instalado, lo que se puede hacer siguiendo Cómo instalar Git en Ubuntu 18.04. Vamos a usar esto para descargar un repositorio de ejemplos.

Una Ubuntu 18.04 servidor con al menos 1 GB de RAM establecido siguiendo la guía de configuración inicial del servidor de Ubuntu 18.04, incluyendo un usuario no root sudo y un firewall. Usted necesitará por lo menos 1 GB de RAM para realizar con éxito el último ejemplo en este tutorial.

Python 3.3 o superior y virtualenv instalados. Siga Cómo instalar Python 3 en Ubuntu 18.04 a configurar Python y virtualenv.

Git instalado, lo que se puede hacer siguiendo Cómo instalar Git en Ubuntu 18.04. Vamos a usar esto para descargar un repositorio de ejemplos.

Paso 1 – Instalación de TensorFlow

En este paso vamos a crear un entorno virtual e instalar TensorFlow.

En primer lugar, crear un directorio del proyecto. Lo llamaremos TF-demostración para propósitos de demostración, pero elegimos un nombre de directorio que sea significativo para usted:

mkdir ~f-demo

  • mkdir ~ / TF-demo

Vaya a su directorio TF-demostración de nueva creación:

cd ~f-demo

  • cd ~ / TF-demo

a continuación, crear un nuevo entorno virtual llamado tensorflow-dev, por ejemplo. Ejecute el siguiente comando para crear el medio ambiente:

python3 -m venv tensorflow-dev

  • python3 -m Venv tensorflow-dev

Esto crea un nuevo directorio tensorflow-dev que contendrá todos los paquetes que instale este entorno, mientras que se activa. También incluye la pipa y una versión independiente de Python.

Ahora activar su entorno virtual:

source tensorflow-dev/bin/activate

  • fuente tensorflow-dev / bin / activar

Una vez activado, verá algo similar a esto en su terminal:

(tensorflow-dev)username@hostname:~f-demo $

ya se puede instalar TensorFlow en su entorno virtual.

Ejecutar el siguiente comando para instalar y actualizar a la nueva versión de TensorFlow disponible en PyPi:

pip install --upgrade tensorflow

  • PIP instalar –upgrade tensorflow

TensorFlow instalará, y usted debe obtener una salida que indica que la instalación junto con cualquier paquetes dependientes se ha realizado correctamente.

Output...
Successfully installed absl-py-0.7.1 astor-0.7.1 gast-0.2.2 grpcio-1.19.0 h5py-2.9.0 keras-applications-1.0.7 keras-preprocessing-1.0.9 markdown-3.0.1 mock-2.0.0 numpy-1.16.2 pbr-5.1.3 protobuf-3.7.0 setuptools-40.8.0 tensorboard-1.13.1 tensorflow-1.13.1 tensorflow-estimator-1.13.0 termcolor-1.1.0 werkzeug-0.15.0 wheel-0.33.1
...

Successfully installed bleach-1.5.0 enum34-1.1.6 html5lib-0.9999999 markdown-2.6.9 numpy-1.13.3 protobuf-3.5.0.post1 setuptools-38.2.3 six-1.11.0 tensorflow-1.4.0 tensorflow-tensorboard-0.4.0rc3 werkzeug-0.12.2 wheel-0.30.0

Puede desactivar su entorno virtual en cualquier momento utilizando el siguiente comando:

deactivate

  • Desactivar

Para reactivar el entorno más adelante, acceda a su directorio del proyecto y la fuente de ejecución tensorflow-dev / bin / activate.

Ahora que ha instalado TensorFlow, vamos a asegurarnos de las obras de instalación TensorFlow.

Paso 2 – Instalación Validando

Para validar la instalación de TensorFlow, vamos a ejecutar un programa simple en TensorFlow como usuario no root. Vamos a utilizar el ejemplo del principiante canónica de “Hola, mundo!” como una forma de validación. En lugar de crear un archivo de Python, vamos a crear este programa utilizando la consola interactiva de Python.

para escribir el programa, la puesta en marcha de su intérprete de Python:

python

  • pitón

Verá el siguiente mensaje aparece en su terminal:

>>>

Este es el símbolo para el intérprete de Python, e indica que está listo para que usted pueda comenzar a introducir algunas sentencias de Python.

En primer lugar, escriba esta línea para importar el paquete TensorFlow y ponerla a disposición como el tf variable local. Presione ENTRAR después de escribir en la línea de código:

import tensorflow as tf

  • tensorflow importación como tf

A continuación, agregue esta línea de código para establecer el mensaje “Hola, mundo!”:

hello = tf.constant("Hello, world!")

  • hola = tf.constant (» ¡Hola, mundo «)

a continuación, cree una nueva sesión TensorFlow y asignarla a la variable de sess:

sess = tf.Session()

  • sess = tf.Session ()

Nota : Dependiendo de su entorno, es posible que vea este salida:

Output2019-03-20 16:22:45.956946: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.
2019-03-20 16:22:45.957158: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
2019-03-20 16:22:45.957282: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
2019-03-20 16:22:45.957404: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
2019-03-20 16:22:45.957527: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.

Esto le dice que usted tiene un conjunto de instrucciones que tiene el potencial para ser optimizado para un mejor rendimiento con TensorFlow. Si ves esto, puede pasar por alto y continuar.

Por último, introduzca esta línea de código para imprimir el resultado de la ejecución de la sesión de saludo TensorFlow que ha construido en sus líneas anteriores de código:

en Python 3, sess.run () devolverá una cadena de bytes, que se se representa como b’Hello, mundo!’ si ejecuta imprimir (sess.run (hola)) por sí sola. Con el fin de devolver Hola, mundo! como una cadena, vamos a añadir el método de decodificación ().

print(sess.run(hello).decode())

  • de impresión (sess.run (hola) .decode ())

Usted verá esta salida en la consola:

OutputHello, world!

Esto indica que todo está funcionando y que puede empezar a utilizar TensorFlow.

salir de la consola Python interactiva pulsando CTRL + D o escribiendo quit ().

A continuación, vamos a utilizar la API de reconocimiento de imágenes de TensorFlow para obtener más familiarizados con TensorFlow.

Paso 3 – Usando TensorFlow de reconocimiento de imágenes

Ahora que TensorFlow está instalado y que ha validado mediante la ejecución de un programa sencillo, podemos echar un vistazo a las capacidades de reconocimiento de imágenes de TensorFlow.

Para clasificar una imagen que necesita para entrenar un modelo. Luego hay que escribir algo de código para utilizar el modelo. Para obtener más información acerca de los conceptos de aprendizaje de máquina, le recomendamos que lea “Introducción a Machine Learning”.

TensorFlow proporciona un repositorio de modelos y ejemplos, incluyendo código y un modelo entrenado para la clasificación de imágenes.

Uso de Git para clonar el repositorio desde TensorFlow modelos GitHub en el directorio del proyecto:

git clone https://github.comensorflow/models.git

  • git clone https://github.comensorflow/models.git

recibirá el siguiente resultado como Git a cabo las comprobaciones repositorio a una nueva carpeta llamada modelos:

OutputCloning into 'models'...
remote: Enumerating objects: 32, done.
remote: Counting objects: 100% (32/32), done.
remote: Compressing objects: 100% (26/26), done.
remote: Total 24851 (delta 17), reused 12 (delta 6), pack-reused 24819
Receiving objects: 100% (24851/24851), 507.78 MiB | 32.73 MiB/s, done.
Resolving deltas: 100% (14629/14629), done.
Checking out files: 100% (2858/2858), done.

Vaya al directorio de modelos / tutoriales / imagen / IMAGEnet:

cd modelsutorials/image/imagenet

  • modelos cd / tutoriales / imagen / IMAGEnet

Este directorio contiene el archivo que utiliza classify_image.py TensorFlow a reconocer imágenes. Este programa se descarga un modelo entrenado desde tensorflow.org en su primera carrera. La descarga de este modelo requiere que tenga 200 MB de espacio libre disponible en el disco.

En este ejemplo, vamos a clasificar una imagen pre-ofrecida de un Panda. Ejecutar este comando para ejecutar el programa de imagen clasificador:

python classify_image.py

  • pitón classify_image.py

Recibirá una salida similar a la siguiente:

Outputgiant panda, panda, panda bear, coon bear, Ailuropoda melanoleuca (score = 0.89107)
indri, indris, Indri indri, Indri brevicaudatus (score = 0.00779)
lesser panda, red panda, panda, bear cat, cat bear, Ailurus fulgens (score = 0.00296)
custard apple (score = 0.00147)
earthstar (score = 0.00117)

Usted ha clasificado su primera imagen utilizando las capacidades de reconocimiento de imágenes de TensorFlow.

Si desea utilizar otra imagen, puede hacerlo añadiendo el argumento – image_file a su comando python3 classify_image.py. Para el argumento, que pasaría en la ruta absoluta del archivo de imagen.

Conclusión

En este tutorial, se han instalado TensorFlow en un entorno virtual de Python y validado que TensorFlow funciona mediante la ejecución a través de algunos ejemplos. Ahora posee herramientas que hacen posible que usted pueda explorar temas adicionales, incluyendo convolucional Redes Neuronales y Word Inclusiones. Guía del programador de

TensorFlow proporciona un recurso útil y de referencia para el desarrollo TensorFlow. También puede explorar Kaggle, un entorno competitivo para la aplicación práctica de los conceptos de aprendizaje automático que se enfrentarán a otra aprendizaje automático, la ciencia de datos, y los entusiastas de las estadísticas. Tienen un wiki robusta donde se puede explorar y compartir soluciones, algunas de las cuales están en la vanguardia de las técnicas de aprendizaje estadístico y de la máquina.