TensorFlow - TFLearn et son installation

TFLearn peut être défini comme un aspect d'apprentissage profond modulaire et transparent utilisé dans le framework TensorFlow. Le principal objectif de TFLearn est de fournir une API de niveau supérieur à TensorFlow pour faciliter et présenter de nouvelles expériences.

Tenez compte des caractéristiques importantes suivantes de TFLearn -

  • TFLearn est facile à utiliser et à comprendre.

  • Il comprend des concepts simples pour créer des couches de réseau hautement modulaires, des optimiseurs et diverses mesures intégrées.

  • Il inclut une transparence totale avec le système de travail TensorFlow.

  • Il comprend de puissantes fonctions d'assistance pour entraîner les tenseurs intégrés qui acceptent plusieurs entrées, sorties et optimiseurs.

  • Il comprend une visualisation graphique simple et belle.

  • La visualisation graphique comprend divers détails sur les poids, les dégradés et les activations.

Installez TFLearn en exécutant la commande suivante -

pip install tflearn

Lors de l'exécution du code ci-dessus, la sortie suivante sera générée -

L'illustration suivante montre l'implémentation de TFLearn avec le classificateur 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])