TensorFlow — TFLearn и его установка
16.07.2019
Время чтения: 1 мин.
TFLearn может быть определен как модульный и прозрачный аспект глубокого обучения, используемый в платформе TensorFlow. Основным мотивом TFLearn является предоставление API TensorFlow более высокого уровня для облегчения и демонстрации новых экспериментов.
Рассмотрим следующие важные особенности TFLearn:
- TFLearn прост в использовании и понимании.
- Он включает в себя простые концепции для построения высокомодульных сетевых уровней, оптимизаторов и различных метрик, встроенных в них.
- Это включает полную прозрачность с системой работы TensorFlow.
- Он включает в себя мощные вспомогательные функции для обучения встроенных тензоров, которые принимают несколько входов, выходов и оптимизаторов.
- Он включает в себя простую и красивую визуализацию графика.
- Визуализация графика включает в себя различные детали весов, градиентов и активаций.
Установите TFLearn, выполнив следующую команду:
pip install tflearn
После выполнения кода выше будет сгенерирован следующий вывод:
На следующем рисунке показана реализация TFLearn с классификатором Random Forest:
from __future__ import division, print_function, absolute_import
# реализация модуля TFLearn
import tflearn
from tflearn.estimators import RandomForestClassifier
# Загрузка и предварительная обработка данных в отношении набора данных
import tflearn.datasets.mnist as mnist
X, Y, testX, testY = mnist.load_data(one_hot = False)
m = RandomForestClassifier(n_estimators = 100, max_nodes = 1000)
m.fit(X, Y, batch_size = 10000, display_step = 10)
print("Вычислить точность данных о поездах:")
print(m.evaluate(X, Y, tflearn.accuracy_op))
print("Вычислить точность на тестовом наборе данных:")
print(m.evaluate(testX, testY, tflearn.accuracy_op))
print("Цифры для тестовых изображений id от 0 до 5:")
print(m.predict(testX[:5]))
print("Истинные цифры:")
print(testY[:5])Если статья понравилась, то поделитесь ей в социальных сетях:
Читайте также
Подписаться
авторизуйтесь
0 комментариев
Старые
