با توجه به رشد روز افزون تکنولوژی هوش مصنوعی، در تیم P30script بر آن شدیم که آموزش رایگان Tensorflow را در قابل پست هایی خدمت شما عزیزان ارائه نماییم. TensorFlow یک کتابخانه یادگیری ماشین منبع باز برای تحقیق و تولید نرم افزار های مبتنی بر هوش مصنوعی است. TensorFlow برای مبتدیان و متخصصان API را ارائه می دهد تا نرم افزار ها را برای رنج مختلفی از کامپیوتر ها ، موبایل ، وب و سیستم های ابری توسعه دهند. برای شروع به بخش های زیر مراجعه کنید.

 

با توجه به علاقه اخیر در زمینه یادگیری عمیق ، غالباً بحثی آتشین در میان دانشمندان داده اتفاق می افتد – کدام چهارچوب بهترین است؟ این مانند بسیاری موارد دیگر در این زمینه کاملاً ذهنی است. اما یکی از چارچوبی که اکثر متخصصان دوست دارند و از آن استفاده می کنند Google TensorFlow است. این چهارچوب بیشترین مورد استفاده را در متخصصان و محققان صنعت دارد ، و با توجه به منابع یادگیری فراوان، نقطه شروع خوبی برای تازه واردان برای یادگیری عمیق است.

TensorFlow architecture یک معماری انعطاف پذیر است که امکان استقرار آسان محاسبات یادگیری ماشینی را در انواع سیستم عامل ها (CPU ، GPU ، TPU) از دسکتاپ گرفته تا خوشه سرورها گرفته تا دستگاه های تلفن همراه و IoT فراهم می کند.

 

پیشنیاز ها :

 

برای استفاده بیشتر از این آموزش ، پیش بینی می کنیم پیش نیازهای زیر برآورده شود:

• درک پایه ای پایتون
• مبانی یادگیری ماشین
• آشنایی با نوت بوک های Jupyter

 

نصب و راه اندازی TensorFlow :

 

Tensorflow از سیستمهای 64 بیتی زیر پشتیبانی می کند.

• اوبونتو 16.04 یا بعد
• ویندوز 7 یا بالاتر
• macOS 10.12.6 (سیرا) یا بالاتر (بدون پشتیبانی GPU)
• Raspbian 9.0 یا بالاتر

اما در کنار سیستم عامل های یاد شده، شما به یک سیستم سخت افزاری قدرتمند نیاز خواهید داشت که این روز ها قیمت تمام شده بالایی را خواهد داشت. پس بهتر است از Google Colab استفاده کنید. کافی است که یک سر به گوگل درایو خود بزنید و این ویژگی را به درایو خود اضافه کنید. بعد از راه اندازی Colab شما می توانید با استفاده از منابع پردازشی مجازی قدرتمندی که گوگل در اختیارتان قرار می دهد استفاده کرده و کد های سنگین خود را اجرا بگیرید.

 

Google Colaboratory :

 

در واقع Colaboratory یک محیط آنلاین رایگان Jupyter Notebook است و نیازی به تنظیمات خاصی ندارد. Jupyter Notebook محبوب ترین محیط برنامه نویسی و تست و بررسی و مستند سازی برای یادگیری ماشین است. وجود این بستر رایگان و آنلاین مزایای زیر را به همراه دارد:

1. در این محیط TensorFlow به صورت پیش فرض نصب می باشد.هنگامی که یک نوت بوک جدید را در colab.research.google.com ایجاد می کنید ، TensorFlow برای سخت افزار مورد استفاده از قبل نصب شده و بهینه شده است. فقط “” import tensorflow as tf “” را وارد کنید و کد زدن را شروع کنید.
2. در Jupyter Notebook شما کد ها را در Cell ها اجرا می کنید. می توانید از این Cell ها برای نصب کتابخانه های جدید نیز استفاده کنید.در یک سلول می توانید با استفاده از pip install! کارهای زیادی انجام دهید. همچنین باعث می شود دیگران بتوانند تنظیمات شما را دوباره تولید کنند. شما همچنین می توانید به Shell دسترسی داشته باشید و از pwd! و یا wget! استفاده کنید.
3. امکان اتصال بسیار آسان و راحت به Github. اگر دارای یک .ipynb خوب در Github هستید ، ایجاد لینک یک کلیک برای خوانندگان خود برای شروع بازی با آن آسان است.همچنین می توانید با استفاده از File> Save a copy to Github ، به راحتی یک نسخه از نوت بوک Colab خود را در Github ذخیره کنید.
4. نوت بوک های Colab دقیقاً مانند Google Docs و Sheets هستند. آنها در Google Drive ذخیره می شوند و می توانند این فایل ها را به اشتراک بگذارید ، ویرایش کنید و کامنت گذاری کنید. برای اشتراک گذاری کد خود فقط روی دکمه اشتراک گذاری در سمت راست بالای هر نوت بوکی که ایجاد کرده اید کلیک کنید.
5. سخت افزار قدرتمند و منابع بالا. به طور پیش فرض ، نوت بوک های Colab بر روی CPU کار می کنند. می توانید با رفتن به Runtime> تغییر نوع زمان اجرا و سپس انتخاب GPU ، نوت بوک خود را برای اجرای GPU تغییر دهید. همچنین با رعایت این دستورالعمل ها می توانید یک نوت بوک Colab داشته باشید و از سخت افزار دستگاه محلی خود استفاده کنید.

مراحل تصویری راه اندازی Colab خدمت شما :

 

و در آخر :

 

حال که ابزار کار آماده شده ، بهتره اولین قدم رو برداریم . آشنایی با مفاهیم پایه ای Tensorflow :

 

Syntax and Graphs:

 

در زمان کار با TensorFlow با مفهومی به نام Tensor روبرو هستیم. Tensor ها آرایه اعداد یا توابعی هستند که طبق تغییر قوانین بر اساس برخی از مختصات تغییر می کنند. ما به طور معمول آنها را در روابطی مانند محصول نقطه ، محصول متقاطع و نقشه های خطی مشاهده می کنیم.

حال ، همانطور که قبلاً نیز گفته شد که Tensor ها آرایه اعداد هستند. اما ، لازم به ذکر است که ، Tensor ها نام دیگری برای آرایه های چند بعدی نیستند. بین آرایه های چند بعدی و Tensor تفاوت معنی داری وجود دارد. به عبارت ساده تر ، آرایه های چند بعدی ساختار داده برای نشان دادن تانسور در یک سیستم مختصات هستند.

Tensorflow روی ترانسورها(Tensor) و جریان(Flow) عملکرد آنها از طریق نمودار محاسباتی کار می کند. از این رو نام؛ تانسور + جریان = Tensorflow!. مبنای کار TensorFlow گراف های محاسباتی (computational graph) هستند.گراف های محاسباتی، مجموعه ای از عملیات TensorFlow است که در یک نمودار از گره ها قرار گرفته است.

 

دست به کد میشیم:

در ابتدا ما مدلی را ایجاد می کنیم که یک نمودار محاسباتی است که دارای اشیاء از نوع Tensor است. سپس Session را ایجاد می کنیم که محاسبات را یکجا انجام می دهیم. نگران نباشید اگر مفهوم در اینجا کامل نیست. بگذارید همین کار را در کد پیاده سازی کنیم تا بهتر آن را درک کنیم:

اکنون ، بیاید سعی کنید هر دو رشته را اضافه کرده و سعی کنید آن را چاپ کنید. نوع یکسان است. اما ، خروجی چیزی نیست که معمولاً انتظار می رود:

 

خوب تا اینجای کار توانستیم محیط کاری خوب و رایگان و سریعی برای TensorFlow راه اندازی کنیم. در ادامه به آموزش و مرور TensorFlow خواهیم. پس با ما همراه باشید.