TensorFlow - TFLearn i jego instalacja

TFLearn można zdefiniować jako modułowy i przejrzysty aspekt głębokiego uczenia się używany we frameworku TensorFlow. Głównym motywem TFLearn jest zapewnienie API wyższego poziomu do TensorFlow w celu ułatwienia i wyświetlania nowych eksperymentów.

Rozważ następujące ważne cechy TFLearn -

  • TFLearn jest łatwy w użyciu i zrozumieniu.

  • Zawiera proste koncepcje tworzenia wysoce modułowych warstw sieciowych, optymalizatorów i różnych metryk w nich osadzonych.

  • Obejmuje pełną przejrzystość dzięki systemowi pracy TensorFlow.

  • Zawiera potężne funkcje pomocnicze do uczenia wbudowanych tensorów, które akceptują wiele wejść, wyjść i optymalizatorów.

  • Zawiera łatwą i piękną wizualizację wykresów.

  • Wizualizacja wykresu zawiera różne szczegóły dotyczące wag, gradientów i aktywacji.

Zainstaluj TFLearn, wykonując następujące polecenie -

pip install tflearn

Po wykonaniu powyższego kodu zostanie wygenerowany następujący wynik -

Poniższa ilustracja przedstawia implementację TFLearn z klasyfikatorem Random Forest -

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])