TensorFlow für Dummies

Matthew Scarpino

• Verlag: Wiley-VCH
• Jahr: 2018
• ISBN drucken: 9783527715473
• eBook-ISBN: 9783527818969
• Auflage: 1
• Thema: Informatik
• Thema: Künstliche Intelligenz (KI) & Semantik

TensorFlow ist Googles herausragendes Werkzeug für das maschinelle Lernen, und dieses Buch macht es zugänglich, selbst wenn Sie bisher wenig über neuronale Netze und Deep Learning wissen. Sie erfahren, auf welchen Prinzipien TensorFlow basiert und wie Sie mit TensorFlow Anwendungen 1.0 schreiben. Gleichzeitig lernen Sie die Konzepte des maschinellen Lernens kennen. Wenn Sie Softwareentwickler sind und TensorFlow in Zukunft einsetzen möchten, dann ist dieses Buch der richtige Einstieg für Sie. Greifen Sie auch zu, wenn Sie einfach mehr über das maschinelle Lernen erfahren wollen.

Teil III

TensorFlow vereinfachen und beschleunigen

In diesem Teil …

Daten in Datasets laden und mit Iteratoren extrahieren und dadurch Programme vereinfachen

Mit der Estimator-API von TensorFlow effizient arbeiten und vordefinierte Schätzer für maschinelles Lernen ­nutzen

Maschinelle Lernprogramme über mehrere Threads und Rechner hinweg ausführen und beschleunigen

Die Performance von TensorFlow dank der außergewöhnlich hohen Leistungsfähigkeit der Machine Learning Engine von Google optimieren

Kapitel 10

Auf Daten mit Datasets und Iteratoren zugreifen

In diesem Kapitel

Datasets erzeugen und manipulieren

TFRecord-Daten laden und speichern

Vier Arten von Iteratoren kennenlernen

Wenn Sie Ihre ersten Schritte auf dem Gebiet des maschinellen Lernens wagen und sich Ihr sorgfältig entwickelter Algorithmus an die Arbeit macht, wünschen Sie sich wahrscheinlich nichts sehnlicher, als dass er gegen eine Lösung konvergiert. Doch je mehr Erfahrungen Sie auf dem Gebiet sammeln, desto stärker wird Ihnen bewusst, dass auch die Performance eine äußerst wichtige Rolle spielt. Erst recht, wenn Ihre Trainingsdaten mehrere Gigabyte oder gar Terabyte im Arbeitsspeicher belegen.

Dieses und die nächsten zwei Kapitel erläutern verschiedene Möglichkeiten, wie Sie die Performance von TensorFlow verbessern können. Jetzt ist also Schluss mit komplizierten mathematischen Formeln und geometrischen Diagrammen. Stattdessen steht nun die Geschwindigkeit Ihrer Programme im Mittelpunkt. Zwei wichtige Ansätze, mit denen Sie TensorFlow beschleunigen können, sind Datasets und Iteratoren, die es Ihnen erleichtern, Ihre Eingabedaten zu laden und zu verarbeiten.

Datasets

Eine wirkungsvolle Methode zur Beschleunigung einer Anwendung involviert das Erstellen von Threads. Moderne Prozessoren haben mehrere Kerne, die sich Entwickler gern zunutze machen, indem sie den Arbeitsaufwand einer Anwendung in Threads aufteilen. Multithreading, so der Fachbegriff, erweist sich vor allem dann als nützlich, wenn ein Programm eine enorme Menge an Daten laden muss.

In der Vergangenheit erzeugten TensorFlow-Entwickler Threads mithilfe von Instanzen der QueueRunner-Klasse. Seit Version 1.4 empfiehlt die Dokumentation von TensorFlow für diesen Zweck aber die Dataset-Klasse anstelle von QueueRunner. Ein Dataset ist nicht einfach nur ein großer Datenbatzen, sondern eine hochleistungsfähige Pipeline zum Laden und Verarbeiten von Daten.

In TensorFlow-Programmen umfasst die Arbeit mit Datasets drei generelle Schritte:

1.Erzeugung des Datasets anhand von Daten oder einer Datei

2.Zerlegung des Datasets in Batches und bei Bedarf Vorverarbeitung dieser Batches

3.Verarbeitung der Batches des Datasets in einer Sitzung

Die ersten beiden Schritte können Sie durch Aufruf von Methoden der Dataset-Klasse durchführen. Die folgenden Abschnitte stellen diese Methoden und ihre Verwendung im Detail vor.

Datasets erzeugen

Ein Dataset ist faktisch ein Container mit Trainings- beziehungsweise Testdaten, die von Ihrem Programm in Form von Batches in eine Sitzung eingespeist werden. In Kapitel 5 wurde genauer auf die Verwendung von Batches eingegangen.

Datasets können Sie aus Daten, Textdateien oder Binärdateien erstellen. Die folgenden Abschnitte erklären diese verschiedenen Optionen und den dafür nötigen Code.

Datasets aus Daten erzeugen

Um aus Daten ein Dataset zu erzeugen, müssen Sie eine der fünf Dataset-Methoden in Tabelle 10.1 aufrufen. All diese Methoden sind statischer Natur und erfordern somit den Aufruf über die tf.data.Dataset-Klasse.

Funktion

Beschreibung...

Inhaltsverzeichnis

• Cover
• Titelei
• Über den Autor
• Einführung
• Teil I: Erste Schritte mit TensorFlow
• Teil II: Maschinelles Lernen implementieren
• Teil III: TensorFlow vereinfachen und beschleunigen
• Teil IV: Der Top-Ten-Teil
• Stichwortverzeichnis
• Wiley End User License Agreement