TensorFlow היא ספריית קוד פתוח ללמידת מכונה, המפותחת על ידי חברת Google ומטרתה היא בנייה ואימון רשתות עצביות, הספרייה משמשת למחקר ופיתוח בגוגל והיא תחליף לספרית קוד הקודמת – DistBelief.
הספרייה TensorFlow עובדת עם API לשפות תכנות C ו-Python, ועוד רבות אחרות.
החישובים בספריית הקוד של TensorFlow מיוצגים על ידי זרימת מידע דרך גרף מצבים, ולכן המידע מיוצג ביחידות של טנזורים, מערכים רב-ממדיים, ואגב, משם נובע השם של הספרייה של המילה Tensor – מערך רב ממדי, והמילה Flow – זרימה.
כיום, TensorFlow מבצעת חישובי למידה עמוקה עם חומרה להאצה לעיבוד טנזורים (TPU) בתצורת ASIC, ומעבד TPU עוצב כדי להביא תוצאות טובות עבור חישובים עם דיוק נמוך, למשל מצבים של 8-Bit, ומכוון לשימוש ברשתות מאומנות.
כתיבה עם TensorFlow מאפשרת לעבוד עם רשת עצבית מלאכותית (ANN – Artificial Neural Network), רשת נוירונים או רשת קשרית שהוא למעשה מודל מתמטי חישובי שפותח בהשראת תהליכים מוחיים או קוגניטיביים המתרחשים ברשת עצבית טבעית ומשמש במסגרת למידת מכונה.
רשת מסוג זה מכילה בדרך כלל מספר רב של יחידות מידע המקושרות זו לזו, קשרים שלעיתים קרובות עוברים דרך יחידות מידע חבויות, וצורת הקישור בין היחידות, המכילה מידע על חוזק הקשר, מדמה את אופן חיבור הנוירונים במוח.
השימוש ברשתות עצביות מלאכותיות נפוץ בעיקר במדעים קוגניטיביים, ובמערכות תוכנה שונות – בהן: מערכות רבות של אינטליגנציה מלאכותית המבצעות משימות מגוונות – זיהוי תווים, זיהוי פנים, זיהוי כתב יד, חיזוי שוק ההון, מערכת זיהוי דיבור, זיהוי תמונה, ניתוח טקסט ועוד.
דוגמה של שילוב TensorFlow יחד עם ANN לטובת תהליך למידה וכתיבה של neural network.
המימוש שניתן לבצע באמצעות TensorFlow הם בין היתר, זיהוי טקסטים מבוססי אפליקציה, זיהוי קול וזיהוי תמונות (עליהם נדבר במאמרים הבאים).
התקנת TensorFlow
בהתקנה של TensorFlow ישנם מספר סוגים של התקנות כדוגמת התקנות באמצעות Pip או Anaconda ועלולים להיות עם דרישות כגון CUDA ונוספים, לכן רגע לפני שמתקינים כדאי לדעת ולהכיר את האפשרויות המרכזיות של סביבות TensorFlow והאפשרויות הן CPU או GPU בגרסה נתמכת.
ההבדלים בין CPU לבין GPU הם מהותיים, ולכן אם מדובר על סביבת בדיקות שאינה מצריכה משימות מורכבות. עבור סביבה פשוטה של מודלים אפשר ואולי גם עדיף להתחיל עם CPU, אך במידה ומדובר על סביבה מתקדמת עם הרצת משימות מורכבות ודרישה לביצועים מהירים ועיבוד של מידע רב, מומלץ להתקין סביבה נתמכת GPU.
התקנת TensorFlow בסביבת CPU יכולה באמצעות Pip או באמצעות Anaconda, לצורך העניין התקנה לפי Pip היא פשוטה יותר, כי במידה וכבר מותקן פייתון אז חבילת התקנה של Pip כבר קיימת, אך ישנה אפשרות נוספת והיא Anaconda.
מעבר לעובדה שהתקנה באמצעות Anaconda מעט ארוכה יותר, חבילת התקנה של Anaconda מכילה ספריות קוד נוספות, ולכן במידה ואין צורך בספריות קוד נוספות אפשר להתקין לפי האפשרות של Pip.
התקנת TensorFlow באמצעות Pip
כלל הפעולות במאמר זה מתבצעות מתוך הכלי וממשק של VSCode, ובכדי להתקין TensorFlow באמצעות Pip יש לבצע את הפעולות הבאות:
התקנת פייתון – לבצע התקנה של פייתון ואפשר לשלב עם VSCode לפי המאמר הבא פייתון על VSCode, הגדרות וטיפים.
טיפ: יש לוודא התקנת פייתון כולל בדיקת נתיב לקובץ הרצה טרם התקנת TensorFlow, וזאת בכדי למנוע הודעות שגיאה שונות בהתקנת TensorFlow.
בדיקת גרסת Pip מתוך פייתון באמצעות הפקודה הבאה:
pip3 –version
טיפ: ניתן לבצע את הבדיקה רק באמצעות pip (ולא pip3) אך ישנם פקודות של pip שאינן עובדות בגרסת Python 3.7, ולכן עדיף לעבוד עם הפקודה pip3.
לאחר שהגרסה תקינה, נבצע התקנה של TensorFlow באמצעות הפקודה הבאה:
Pip3 install tensorflow
טיפ: לאחר מכן ניתן לבצע עדכון באמצעות הפקודה pip3 install –upgrade tensorflow
טיפ: במהלך התקנת TensorFlow עלולה להתקבל הודעת השגיאה ספציפית של אין גרסה מתאימה להתקנת TensorFlow ולכן יש לבצע את הפקודה הבאה שם אנו ניגשים ישירות לגוגל ומעדכנים את הגרסה הנדרשת.
pip3 install –upgrade https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-1.0.0-py3-none-any.wh
מידע נוסף לגבי הודעת השגיאה ERROR Could not find a version
טיפ: ניתן להוסיף את התקנת TensorFlow מתוך ממשק VSCode באמצעות חיפוש הרחבת TensorFlow והתקנה, ולאחר מכן נוכל לקבל את כל הפקודות והתוספים של TensorFlow.
מאת: אלי שלמה, מומחה למערכות מיקרוסופט וענן
רוצים להתעדכן בתכנים נוספים הקשורים ל-AI-ML? הצטרפו לפורום המקצועי של IsraelClouds בתחום > להרשמה
TensorFlow היא ספריית קוד פתוח ללמידת מכונה, המפותחת על ידי חברת Google ומטרתה היא בנייה ואימון רשתות עצביות, הספרייה משמשת למחקר ופיתוח בגוגל והיא תחליף לספרית קוד הקודמת – DistBelief.
הספרייה TensorFlow עובדת עם API לשפות תכנות C ו-Python, ועוד רבות אחרות.
החישובים בספריית הקוד של TensorFlow מיוצגים על ידי זרימת מידע דרך גרף מצבים, ולכן המידע מיוצג ביחידות של טנזורים, מערכים רב-ממדיים, ואגב, משם נובע השם של הספרייה של המילה Tensor – מערך רב ממדי, והמילה Flow – זרימה.
כיום, TensorFlow מבצעת חישובי למידה עמוקה עם חומרה להאצה לעיבוד טנזורים (TPU) בתצורת ASIC, ומעבד TPU עוצב כדי להביא תוצאות טובות עבור חישובים עם דיוק נמוך, למשל מצבים של 8-Bit, ומכוון לשימוש ברשתות מאומנות.
כתיבה עם TensorFlow מאפשרת לעבוד עם רשת עצבית מלאכותית (ANN – Artificial Neural Network), רשת נוירונים או רשת קשרית שהוא למעשה מודל מתמטי חישובי שפותח בהשראת תהליכים מוחיים או קוגניטיביים המתרחשים ברשת עצבית טבעית ומשמש במסגרת למידת מכונה.
רשת מסוג זה מכילה בדרך כלל מספר רב של יחידות מידע המקושרות זו לזו, קשרים שלעיתים קרובות עוברים דרך יחידות מידע חבויות, וצורת הקישור בין היחידות, המכילה מידע על חוזק הקשר, מדמה את אופן חיבור הנוירונים במוח.
השימוש ברשתות עצביות מלאכותיות נפוץ בעיקר במדעים קוגניטיביים, ובמערכות תוכנה שונות – בהן: מערכות רבות של אינטליגנציה מלאכותית המבצעות משימות מגוונות – זיהוי תווים, זיהוי פנים, זיהוי כתב יד, חיזוי שוק ההון, מערכת זיהוי דיבור, זיהוי תמונה, ניתוח טקסט ועוד.
דוגמה של שילוב TensorFlow יחד עם ANN לטובת תהליך למידה וכתיבה של neural network.
המימוש שניתן לבצע באמצעות TensorFlow הם בין היתר, זיהוי טקסטים מבוססי אפליקציה, זיהוי קול וזיהוי תמונות (עליהם נדבר במאמרים הבאים).
התקנת TensorFlow
בהתקנה של TensorFlow ישנם מספר סוגים של התקנות כדוגמת התקנות באמצעות Pip או Anaconda ועלולים להיות עם דרישות כגון CUDA ונוספים, לכן רגע לפני שמתקינים כדאי לדעת ולהכיר את האפשרויות המרכזיות של סביבות TensorFlow והאפשרויות הן CPU או GPU בגרסה נתמכת.
ההבדלים בין CPU לבין GPU הם מהותיים, ולכן אם מדובר על סביבת בדיקות שאינה מצריכה משימות מורכבות. עבור סביבה פשוטה של מודלים אפשר ואולי גם עדיף להתחיל עם CPU, אך במידה ומדובר על סביבה מתקדמת עם הרצת משימות מורכבות ודרישה לביצועים מהירים ועיבוד של מידע רב, מומלץ להתקין סביבה נתמכת GPU.
התקנת TensorFlow בסביבת CPU יכולה באמצעות Pip או באמצעות Anaconda, לצורך העניין התקנה לפי Pip היא פשוטה יותר, כי במידה וכבר מותקן פייתון אז חבילת התקנה של Pip כבר קיימת, אך ישנה אפשרות נוספת והיא Anaconda.
מעבר לעובדה שהתקנה באמצעות Anaconda מעט ארוכה יותר, חבילת התקנה של Anaconda מכילה ספריות קוד נוספות, ולכן במידה ואין צורך בספריות קוד נוספות אפשר להתקין לפי האפשרות של Pip.
התקנת TensorFlow באמצעות Pip
כלל הפעולות במאמר זה מתבצעות מתוך הכלי וממשק של VSCode, ובכדי להתקין TensorFlow באמצעות Pip יש לבצע את הפעולות הבאות:
התקנת פייתון – לבצע התקנה של פייתון ואפשר לשלב עם VSCode לפי המאמר הבא פייתון על VSCode, הגדרות וטיפים.
טיפ: יש לוודא התקנת פייתון כולל בדיקת נתיב לקובץ הרצה טרם התקנת TensorFlow, וזאת בכדי למנוע הודעות שגיאה שונות בהתקנת TensorFlow.
בדיקת גרסת Pip מתוך פייתון באמצעות הפקודה הבאה:
pip3 –version
טיפ: ניתן לבצע את הבדיקה רק באמצעות pip (ולא pip3) אך ישנם פקודות של pip שאינן עובדות בגרסת Python 3.7, ולכן עדיף לעבוד עם הפקודה pip3.
לאחר שהגרסה תקינה, נבצע התקנה של TensorFlow באמצעות הפקודה הבאה:
Pip3 install tensorflow
טיפ: לאחר מכן ניתן לבצע עדכון באמצעות הפקודה pip3 install –upgrade tensorflow
טיפ: במהלך התקנת TensorFlow עלולה להתקבל הודעת השגיאה ספציפית של אין גרסה מתאימה להתקנת TensorFlow ולכן יש לבצע את הפקודה הבאה שם אנו ניגשים ישירות לגוגל ומעדכנים את הגרסה הנדרשת.
pip3 install –upgrade https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-1.0.0-py3-none-any.wh
מידע נוסף לגבי הודעת השגיאה ERROR Could not find a version
טיפ: ניתן להוסיף את התקנת TensorFlow מתוך ממשק VSCode באמצעות חיפוש הרחבת TensorFlow והתקנה, ולאחר מכן נוכל לקבל את כל הפקודות והתוספים של TensorFlow.
מאת: אלי שלמה, מומחה למערכות מיקרוסופט וענן
רוצים להתעדכן בתכנים נוספים הקשורים ל-AI-ML? הצטרפו לפורום המקצועי של IsraelClouds בתחום > להרשמה
לפרטים נוספים ויצירת קשר עם נציג אורקל
הודעתך לא התקבלה - נסה שוב מאוחר יותר
