L'apprentissage automatique (ML) est une compétence recherchée dans le monde automatisé d'aujourd'hui. Google est l'un des acteurs clés de l'espace Machine Learning. Avec l'ampleur et la popularité croissantes de l'apprentissage en profondeur , les limites d'une seule machine deviennent de plus en plus prononcés.
Motivations
La formation d'un modèle sur un seul ordinateur peut prendre beaucoup de temps :plus vous avez de données, plus cela prend de temps. Cependant, les réseaux de neurones profonds nécessitent de grands ensembles de données d'entraînement pour atteindre des niveaux de performance surhumains dans de nombreuses tâches. Sans utiliser de grandes données de formation, la qualité des modèles a tendance à être faible.
- Cependant, qui a le temps d'attendre des heures et des heures uniquement pour entraîner un seul modèle et vérifier la précision de ses prédictions ?
- Ne serait-il pas préférable de réduire la latence en tirant parti d'une architecture distribuée qui combine la puissance des processeurs et des GPU ?
Architecture système
La réponse de Google à ces questions est le système TensorFlow distribué. TensorFlow est un projet Github publié en 2015 par l'équipe Google Brain, et décrit dans l'article OSDI en 2016.
Voici un bref aperçu visuel de l'architecture du système :
TensorFlow fournit une bibliothèque de code ML de haut niveau. Les data scientists écrivent simplement du code en utilisant les opérations fournies par la bibliothèque. Le système TensorFlow transforme ce code en un graphe de flux de données. Ensuite, il distribue le graphe de flux de données à plusieurs machines et l'exécute de manière distribuée.
Le graphe de flux de données se compose d'opérations et tenseurs .
- Chaque opération transforme les données de tenseur entrantes en sortantes.
- Les tenseurs sont des tableaux ou des matrices de valeurs de données primitives. Un exemple est l'opération de multiplication matricielle. Il reçoit deux matrices 2D entrantes (tenseurs) et les multiplie pour obtenir le tenseur sortant.
TensorFlow fournit des implémentations matérielles pour chaque opération abstraite. L'implémentation matérielle est désignée par un noyau . Une opération peut avoir différents noyaux pour différents matériels tels que les GPU et les CPU.
Installer TensorFlow en Python
Le langage principal pour programmer avec l'API TensorFlow est Python . Voici comment installer une version CPU uniquement de TensorFlow. Tapez ceci dans votre terminal ou en ligne de commande pour installer une version uniquement CPU sur votre ordinateur :
$ pip install tensorflow-cpu
Si vous souhaitez bénéficier de la prise en charge du GPU, vous devrez installer la distribution complète de tensorflow :
$ pip install tensorflow
Si vous souhaitez installer TensorFlow dans PyCharm, utilisez le guide d'installation complet disponible ici.
Votre premier programme TensorFlow
Supposons que vous ayez installé TensorFlow sur votre ordinateur ou dans votre environnement virtuel.
Maintenant, vous pouvez exécuter le premier programme hello-world dans votre script Python. Voici le programme en mode interactif :
>>> import tensorflow as tf
>>> tf.add(40, 2).numpy()
42
>>> hello = tf.constant('Hi TensorFlow!')
>>> hello.numpy()
b'Hi TensorFlow!' Félicitations, vous avez écrit votre premier programme TensorFlow !
Tutoriel vidéo
Voici une vidéo fournie par l'équipe centrale de TensorFlow. C'est un excellent moyen de commencer votre parcours d'apprentissage !
Et, tant que nous y sommes, plongeons dans la deuxième vidéo de cette série qui est aussi utile que la première. Merci, l'équipe TensorFlow !
Dans ce guide, vous avez fait vos premiers pas vers la maîtrise de TensorFlow. C'est une compétence très précieuse à avoir au 21ème siècle. Approfondissons le sujet avec les ressources suivantes.
Ressources
Le dépôt officiel TensorFlow fournit les ressources utiles suivantes :
- TensorFlow.org
- Tutoriels TensorFlow
- Modèles officiels TensorFlow
- Exemples TensorFlow
- Certificat professionnel de développeur DeepLearning.AI TensorFlow
- TensorFlow :données et déploiement de Coursera
- Premiers pas avec TensorFlow 2 de Coursera
- Introduction à TensorFlow pour A.I, M.L et D.L de Coursera
- Introduction à TensorFlow pour le Deep Learning d'Udacity
- Présentation de TensorFlow Lite d'Udacity
- Apprentissage automatique avec TensorFlow sur GCP
- Ateliers de programmation TensorFlow
- Blog TensorFlow
- Apprenez le ML avec TensorFlow
- TensorFlowTwitter
- TensorFlow YouTube
- Feuille de route TensorFlow
- Livres blancs TensorFlow
- Kit d'outils de visualisation TensorBoard
