TensorFlow - TFLearn und seine Installation

TFLearn kann als modularer und transparenter Deep-Learning-Aspekt definiert werden, der im TensorFlow-Framework verwendet wird. Das Hauptmotiv von TFLearn besteht darin, TensorFlow eine übergeordnete API zur Verfügung zu stellen, um neue Experimente zu ermöglichen und aufzuzeigen.

Berücksichtigen Sie die folgenden wichtigen Funktionen von TFLearn:

TFLearn ist einfach zu bedienen und zu verstehen.
Es enthält einfache Konzepte zum Aufbau hochmodularer Netzwerkschichten, Optimierer und verschiedene darin eingebettete Metriken.
Es beinhaltet vollständige Transparenz mit dem TensorFlow-Arbeitssystem.
Es enthält leistungsstarke Hilfsfunktionen zum Trainieren der eingebauten Tensoren, die mehrere Ein-, Ausgänge und Optimierer akzeptieren.
Es enthält eine einfache und schöne Grafikvisualisierung.
Die Diagrammvisualisierung enthält verschiedene Details zu Gewichten, Verläufen und Aktivierungen.

Installieren Sie TFLearn, indem Sie den folgenden Befehl ausführen:

pip install tflearn

Bei Ausführung des obigen Codes wird die folgende Ausgabe generiert:

Die folgende Abbildung zeigt die Implementierung von TFLearn mit Random Forest-Klassifikator -

from __future__ import division, print_function, absolute_import

#TFLearn module implementation
import tflearn
from tflearn.estimators import RandomForestClassifier

# Data loading and pre-processing with respect to dataset
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("Compute the accuracy on train data:")
print(m.evaluate(X, Y, tflearn.accuracy_op))

print("Compute the accuracy on test set:")
print(m.evaluate(testX, testY, tflearn.accuracy_op))

print("Digits for test images id 0 to 5:")
print(m.predict(testX[:5]))

print("True digits:")
print(testY[:5])