Golang bermain dengan aliran berpuluh-puluh

Dengan populariti teknologi kecerdasan buatan, semakin ramai pembangun mula melibatkan diri dalam bidang pembelajaran mendalam. TensorFlow, sebagai rangka kerja pembelajaran mendalam berwajaran tinggi yang dilancarkan oleh Google, telah mendapat perhatian dan penggunaan yang meluas. Namun begitu, masih terdapat pembangun yang sedang belajar golang dan ingin membangun di TensorFlow Pada masa ini, mereka perlu menguasai gabungan golang dan TensorFlow.

Golang ialah bahasa pengaturcaraan yang ditaip, disusun dan serentak secara statik yang dibangunkan oleh Google Ia cekap, mudah dan mudah dikembangkan serta sangat sesuai untuk tugasan seperti pemprosesan data dan pengkomputeran teragih. Tidak seperti Python, bahasa Go pada masa ini tidak mempunyai rangka kerja pembelajaran yang mendalam sepopular TensorFlow Walau bagaimanapun, bahasa Go mempunyai kelebihan kecekapan dan keselarasan yang tinggi, dan TensorFlow sendiri adalah rangka kerja yang sangat serentak Gabungan bahasa Go dan TensorFlow boleh memberikan sepenuhnya bermain untuk kelebihan kedua-duanya, meningkatkan kecekapan pembangunan.

Artikel ini akan memperkenalkan cara menggunakan golang untuk pembelajaran mendalam dan integrasi TensorFlow, dan juga akan melibatkan beberapa contoh kod praktikal.

1. Pasang TensorFlow

Sebelum menggunakan TensorFlow, kita perlu memasang TensorFlow terlebih dahulu. TensorFlow menyokong pelbagai kaedah muat turun Di sini kami mengambil Anaconda sebagai contoh untuk pemasangan.

Pertama, kita perlu memasang Anaconda, pengkomputeran saintifik Python dan pengedaran pembelajaran mesin. Anda boleh memuat turun fail pemasangan Anaconda yang sepadan dengan versi sistem dari laman web rasmi Hanya pilih versi Python yang betul semasa proses pemasangan.

Seterusnya, masukkan arahan berikut dalam Terminal yang disertakan dengan Anaconda:

conda create --name mytensorflow python=3.7
conda activate mytensorflow
pip install tensorflow-gpu==2.0.0

Arahan di atas mula-mula mencipta persekitaran conda bernama mytensorflow dan menentukan versi Python sebagai 3.7. Kemudian aktifkan persekitaran dan pasang TensorFlow-gpu versi 2.0.0. Ambil perhatian bahawa jika anda tidak mempunyai GPU, anda boleh menggunakan versi CPU TensorFlow. Dalam kes ini, cuma tukar "tensorflow-gpu" kepada "tensorflow".

2. Pemasangan Golang

Kami boleh memuat turun versi yang sesuai bagi pakej pemasangan bahasa Go daripada halaman muat turun rasmi untuk pemasangan. Selepas pemasangan selesai, anda boleh menggunakan arahan berikut untuk menyemak pemasangan golang:

go version

Jika anda melihat output berikut, ia bermakna pemasangan berjaya:

go version go1.13.4 darwin/amd64

Walau bagaimanapun, ia harus diperhatikan bahawa sumber pemasangan dan persekitaran berbeza Boleh menyebabkan kerosakan. Oleh itu, adalah disyorkan untuk memasang semula Golang sepenuhnya dalam mana-mana persekitaran baharu.

3. Menggabungkan Golang dan TensorFlow

Menggunakan TensorFlow dalam bahasa Go memerlukan penggunaan program pengikatan yang berkaitan Terdapat tiga program pengikatan untuk TensorFlow dalam bahasa Go: TensorFlow-go , gorgonia, gonum. Di sini kami akan memperkenalkan cara menggunakan TensorFlow-go.

Kami boleh memasang TensorFlow-go menggunakan arahan berikut:

go get github.com/tensorflow/tensorflow/tensorflow/go

Ini akan memuat turun dan memasang go binding TensorFlow dan memastikan ia berfungsi dengan betul.

Kemudian, kita perlu menulis atur cara asas menggunakan bahasa Go dan TensorFlow. Atur cara ini akan mencipta model regresi linear mudah menggunakan TensorFlow dan meramalkan satu set data menggunakan model:

package main

import (
    "fmt"
    "github.com/tensorflow/tensorflow/tensorflow/go"
    "math/rand"
)

func main() {
    //随机生成一些数据
    var trainData []float32
    var trainLabels []float32
    for i := 0; i < 1000; i++ {
        trainData = append(trainData, float32(rand.Intn(100)))
        trainLabels = append(trainLabels, trainData[i] * 0.3 + 5)
    }

    //创建Graph
    graph := tensorflow.NewGraph()
    defer graph.Close()

    //设置模型的输入和输出
    input := tensorflow.NewTensor([1][1]float32{{0}})
    output := tensorflow.NewTensor([1][1]float32{{0}})
    x, _ := graph.NewOperation("Placeholder", "x", tensorflow.Float)
    y, _ := graph.NewOperation("Placeholder", "y", tensorflow.Float)
    mul, _ := graph.NewOperation("Mul", "mul", x, tensorflow.NewTensor([1][1]float32{{0.3}}))
    add, _ := graph.NewOperation("Add", "add", mul, tensorflow.NewTensor([1][1]float32{{5}}))
    assignAddOp, _ := graph.NewOperation("AssignAdd", "assign_add", y, add)

    //创建Session执行Graph
    session, _ := tensorflow.NewSession(graph, nil)
    defer session.Close()

    //训练模型
    for i := 0; i < 1000; i++ {
        session.Run(map[tensorflow.Output]*tensorflow.Tensor{
            x: tensorflow.NewTensor([][]float32{{trainData[i]}}),
            y: output,
        }, map[tensorflow.Output]*tensorflow.Tensor{
            y: tensorflow.NewTensor([][]float32{{trainLabels[i]}}),
        }, []*tensorflow.Operation{assignAddOp}, nil)
    }

    //预测结果
    output, _ = session.Run(map[tensorflow.Output]*tensorflow.Tensor{
        x: tensorflow.NewTensor([1][1]float32{{10}}),
        y: output,
    }, nil, []*tensorflow.Operation{add}, nil)
    result := output.Value().([][]float32)[0][0]
    fmt.Println(result) //输出预测结果 8.0
}

Logik utama program di atas adalah untuk mencipta aliran tensor. Graf dan takrifkan tensor input dan output bagi model, Kemudian laksanakan model dengan mencipta aliran tensor.Sesi. Dalam contoh ini, kami melatih model menggunakan nombor rawak sebagai input dan meramalkan output untuk input 10.

4. Kesimpulan

Artikel ini memperkenalkan cara menggunakan golang dan TensorFlow untuk pembangunan pembelajaran mendalam. Melalui contoh-contoh di atas, dapat dilihat bahawa penggunaan TensorFlow-go adalah agak mudah, dan Golang sendiri juga cekap, mudah dan mudah dikembangkan, serta mempunyai kelebihan yang tinggi dalam memproses data dan pengkomputeran teragih. Jika anda ingin meneroka gabungan bidang Golang dan pembelajaran mendalam, anda boleh mengetahui lebih lanjut tentang TensorFlow-go dan cuba menggunakannya dalam projek sebenar.

Atas ialah kandungan terperinci Golang bermain dengan aliran berpuluh-puluh. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!