21-mal heruntergeladen
Hochgeladen vonDatamics
Slideshare TensorFlow Grundlagen
Das Dokument bietet eine Einführung in die Grundlagen des TensorFlow-Frameworks, einschließlich Syntax, Graphen, Variablen und Platzhaltern. Es enthält praktische Anleitungen für Regression und Klassifikation sowie Beispiele zur Erstellung und Optimierung neuronaler Netzwerke. Des Weiteren werden die tf.estimator API und verschiedene Modelltypen vorgestellt, um die Anwendung von TensorFlow in der Praxis zu demonstrieren.
Slideshare TensorFlow Grundlagen
- 1.
- 2. by Datamics, 2018 Übersicht Indiesem Kapitel werden wir unser Wissen über das TensorFlow Framework und die Herangehensweise an Neuronale Netzwerke vertiefen. Du wirst einige Parallelen zu unserer einfachen Implementation bemerken. TensorFlow Grundlagen
- 3. by Datamics, 2018 Inhalt •TensorFlow Basics • TF Basis Syntax • TF Graphen • TF Variablen • TF Platzhalter • TensorFlow Neuronale Netzwerke TensorFlow Grundlagen
- 4. by Datamics, 2018 Inhalt •TensorFlow Regression (Live Coding) • TensorFlow Klassifikation (Live Coding) • Regression Übung • Lösung • Klassifikation Übung • Lösung TensorFlow Grundlagen
- 5.
- 6.
- 7.
- 8. by Datamics, 2018 Übersicht •Graphen sind Gruppen von Verknüpfungen (eng: vertices = Scheitelpunkte) • Diese Verknüpfungen heißen „edges“ • In TensorFlow ist jede Verknüpfung eine Operation mit möglichen Inputs die einen Output liefert. TensorFlow Graphen
- 9. by Datamics, 2018 Inhalt •Wir werden mit TensorFlow einen Graphen erstellen und ihn dann ausführen. • Lasst uns dafür einige einfach Beispiele in Python anschauen • Wir werden auch durchgehen wie TensorFlow einen Standard Graphen verwendet TensorFlow Graphen
- 10. by Datamics, 2018 Beispiel •Wir beginnen damit diesen Graph zu erstellen: TensorFlow Graphen n1 n2 n3 Konstante Konstante Add 3 1 2
- 11.
- 12. by Datamics, 2018 TensorObjekte • Es gibt bei Tensor-Objekten in einem Graph zwei Hauptformen • Variablen • Platzhalter TensorFlow Variablen und Platzhalter
- 13. by Datamics, 2018 Variablen •TensorFlow verfeinert die Parameter des Modells während der Optimierungsphase des Prozesses • Variablen können während der gesamten Sitzung die Werte von Gewichten (weigths) und Neigungen (biases) erhalten. • Variablen müssen initialisiert werden TensorFlow Variablen und Platzhalter
- 14. by Datamics, 2018 Platzhalter •Platzhalter sind zu Beginn leer und werden dann dazu verwendet mit konkreten Trainingsdaten befüllt zu werden • Platzhalter benötigen jedoch einen erwarteten, deklarierten Datentypen (tf.float32) mit einem optionalen „shape“ Argument. TensorFlow Variablen und Platzhalter
- 15. by Datamics, 2018 Inhalt •Lasst uns nun ein paar Beispiele anschauen. • Wenn wir dann die Beispiele verstanden haben werden wir unser erstes Modell mit TensorFlow bauen. TensorFlow Variablen und Platzhalter
- 16. Das erste TensorFlow NeuronaleNetzwerk
- 17. by Datamics, 2018 Übersicht •Wir haben bereits Sessions, Variablen und Platzhalter kennengelernt • Mit diesen Bausteinen können wir unser erstes Neuron bauen! • Wir werden ein Neuron bauen, dass einen einfachen linearen Fit mit 2-D Daten ausführt TensorFlow Neuronale Netzwerk
- 18. by Datamics, 2018 NächstenSchritte • Das sind unsere Schritte: • Einen Graph bauen • Die Session initiieren • Daten einlesen und einen Output erzeugen • Wir werden das bereits gelernte Wissen für diese Aufgabe anwenden. TensorFlow Neuronale Netzwerk
- 19. by Datamics, 2018 Graph •Wie sieht der Graph von wx+b=z aus? TensorFlow Neuronale Netzwerk W tf.matmul() Variable X tf.add() Activation Function Platzhalter Operation Operation b Variable
- 20. by Datamics, 2018 DeepLearning • Danach kannst du die kosten Funktion hinzufügen um dein Modell zu trainieren um die Parameter zu optimieren. • Lasst uns dieses Neurale Netzwerk bauen! TensorFlow Neuronale Netzwerk
- 21. Das erste TensorFlow NeuronaleNetzwerk Teil 2
- 22. Das erste TensorFlow NeuronaleNetzwerk Teil 3
- 23.
- 24. by Datamics, 2018 Regressionsbeispiel •Lasst uns nun ein realistischeres Beispiel der Regression machen und dabei die tf.estimator Funktion kennenlernen! TensorFlow Regressionsbeispiel
- 25.
- 26. by Datamics, 2018 EstimatorAPI • Lasst uns nun die Estimator API von TensorFlow kennenlernen. • Es gibt noch einige API‘s mit höherem Level (Keras, TF Layers, etc). Diese werden jedoch erst später behandelt. TensorFlow Estimator API
- 27. by Datamics, 2018 Modelltypen •Die tf.estimator API hat verschiedenen Modelltypen die man auswählen kann • Lasst uns gleich die verschiedenen Optionen anschauen. TensorFlow Estimator API
- 28. by Datamics, 2018 Modelltypen •Hier die verschiedenen tf.estimator Typen: • tf.estimator.DNNClassifier: Erstellt ein Neurales Netzwerk mit einem Klassifikationsmodell • tf.estimator.DNNRegressor: Erstellt ein Neuronales Netzwerk mit einem Regressionsmodell TensorFlow Estimator API
- 29. by Datamics, 2018 Modelltypen •Hier die verschiedenen tf.estimator Typen: • tf.estimator.DNNLinearCombinedClassifier: Erstellt ein Neurales Netzwerk und ein linear kombiniertes Klassifikationsmodell • tf.estimator.DNNLinearCombinedRegressor: • Erstellt ein Neurales Netzwerk und ein linear kombiniertes Regressionsmodell TensorFlow Estimator API
- 30. by Datamics, 2018 NächstenSchritte • Um die Estimator API zu verwenden gehen wir wie folgt vor: • Definiere eine Liste der Feature-Spalten • Erstelle ein Modell mit dem Estimator • Erstelle eine Funktion für die Dateneingabe • Rufe zuletzt die train, evaluate und predict Methoden des Estimator-Objektes auf. TensorFlow Estimator API
- 31.
- 32.
- 33. by Datamics, 2018 Klassifikation •Pima Indians Diabetes Datensatz • tf.estimator API • Kategorische und numerische Features • LinearClassifier und DNNClassifier • Lasst uns loslegen! TensorFlow Klassifikation
- 34.
- 35.
- 36.
- 37. by Datamics, 2018 TensorFlowÜbungsaufgabe • Jetzt wird es Zeit um unsere neuen Kenntnisse zu testen! • Du wirst jetzt ein Model erzeugen um Hauspreise vorherzusagen • Dabei verwenden wir die tf.estimator API • Lasst uns dazu das Notebook anschauen • Optional: wechsle zu den Lösungen und mach diese wie eine Programmierlektion mit TensorFlow Regression
- 38.
- 39.
- 40.
- 41. Speichern und Laden vonModellen
- 42. by Datamics, 2018 Verwendeden Gutschein „SLIDESHARE2018“ auf Udemy oder die Shortlinks und erhalte unsere Kurse für nur 10,99€ (95% Rabatt). Deep Learning Grundlagen mit TensorFlow und Python https://goo.gl/FqNoAe Python für Data Science und Machine Learning: https://goo.gl/cE7TQ3 Original Python Bootcamp - Von 0 auf 100: https://goo.gl/gjn7pX R für Data Science und Machine Learning: https://goo.gl/8h5tH7 Exklusive Gutscheine Udemy-Kurse by Datamics, 2018https://www.udemy.com/user/rene-brunner/