python 3 Archives - gurmezin sci-tech-art

TensorFlow örneği ve küçük bir düzeltme

derin öğrenme, makine öğrenmesi, python, TensorFlow, Türkçe Yanıt yok »

Şub 202017

6.640 views

TensorFlow örneği ve küçük bir düzeltme

Bir önceki yazımda TensorFlow örneklerinin yer aldığı bir linkten bahsetmiş ve bazı kodlarda küçük düzeltmeler yapılması gerekebileceğinden bahsetmiştim.

Bu durum, hem yazılım dillerinde, hem de kütüphanelerde çok sık geliştirmelerle karşılaşmamızdan kaynaklanıyor.

Alıntı: tensorflow.org

Aşağıda, sözünü ettiğim kodlardan birini vereceğim. Yaklaşık 90 satırlık bu python kodunda sadece bir metodun adını değiştirmek gerekiyor. Benim yaşadığım sorunu, benimle benzer ortamlarda çalışan pek çok kişi aynen yaşayacaktır. Bu tür sorunları gidermek, en azından azaltmak için kod yazarlarının paylaştıkları açık kaynaklı kodları hangi koşullarda çalıştırdıklarını not etmelerinde yarar var. Bunun çok kolay olmadığını bir kod yazarı olarak ben de biliyorum. Bu nedenle, test ettiğim aşağıdaki kodu hangi ortamda çalıştırdığımı ve nasıl düzelttiğimi sizlerle de paylaşmak istiyorum.

Orijinal kodun yazarı ve nerede paylaşıldığını kodların başlangıç bölümünde bulabilirsiniz.

Test bilgisayarı: 8GB ram, 4 çekirdek, Intel i5
Test sistemi: Ubuntu 16.04
Python sürümü: 3.5.2
TensorFlow sürümü: 1.0.0
numpy sürümü: 1.12.0
matplotlib sürümü: 1.5.3

Kendi sisteminizdeki kütüphane sürümlerini öğrenmek için aşağıdaki kodu kullanın:

$ pip3 freeze

1	$ pip3 freeze

Kodlarda düzeltme gereği sadece tek bir satırda (satır no 39) var.

Sorunlu satır no: 39

pred = tf.add(tf.mul(X, W), b)

1	pred = tf.add(tf.mul(X, W), b)

Düzeltilmiş satır:

pred = tf.add(tf.multiply(X, W), b)

1	pred = tf.add(tf.multiply(X, W), b)

Açıklama:

tensorflow.num() metodu devre dışı. tensorflow.multiply() yeni metod adı.

1	tensorflow.num() metodu devre dışı. tensorflow.multiply() yeni metod adı.

# -*- coding: utf-8 -*-
# Linear regression
# https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/2_BasicModels/linear_regression.py

'''
A linear regression learning algorithm example using TensorFlow library.
Author: Aymeric Damien
Project: https://github.com/aymericdamien/TensorFlow-Examples/
'''

from __future__ import print_function

import tensorflow as tf
import numpy
import matplotlib.pyplot as plt
rng = numpy.random

# Parameters
learning_rate = 0.01
training_epochs = 1000
display_step = 50

# Training Data
train_X = numpy.asarray([3.3,4.4,5.5,6.71,6.93,4.168,9.779,6.182,7.59,2.167,
                         7.042,10.791,5.313,7.997,5.654,9.27,3.1])
train_Y = numpy.asarray([1.7,2.76,2.09,3.19,1.694,1.573,3.366,2.596,2.53,1.221,
                         2.827,3.465,1.65,2.904,2.42,2.94,1.3])
n_samples = train_X.shape[0]

# tf Graph Input
X = tf.placeholder("float")
Y = tf.placeholder("float")

# Set model weights
W = tf.Variable(rng.randn(), name="weight")
b = tf.Variable(rng.randn(), name="bias")

# Construct a linear model
# pred = tf.add(tf.mul(X, W), b)    # deprecated
pred = tf.add(tf.multiply(X, W), b)

# Mean squared error
cost = tf.reduce_sum(tf.pow(pred-Y, 2))/(2*n_samples)
# Gradient descent
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

# Initializing the variables
init = tf.global_variables_initializer()

# Launch the graph
with tf.Session() as sess:
    sess.run(init)

    # Fit all training data
    for epoch in <span class='tooltipsall tooltipsincontent classtoolTips27'>range</span>(training_epochs):
        for (x, y) in zip(train_X, train_Y):
            sess.run(optimizer, feed_dict={X: x, Y: y})

        # Display logs per epoch step
        if (epoch+1) % display_step == 0:
            c = sess.run(cost, feed_dict={X: train_X, Y:train_Y})
            print("Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(c), \
                "W=", sess.run(W), "b=", sess.run(b))

    print("Optimization Finished!")
    training_cost = sess.run(cost, feed_dict={X: train_X, Y: train_Y})
    print("Training cost=", training_cost, "W=", sess.run(W), "b=", sess.run(b), '\n')

    # Graphic display
    plt.plot(train_X, train_Y, 'ro', label='Original data')
    plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')
    plt.legend()
    plt.show()

    # Testing example, as requested (Issue #2)
    test_X = numpy.asarray([6.83, 4.668, 8.9, 7.91, 5.7, 8.7, 3.1, 2.1])
    test_Y = numpy.asarray([1.84, 2.273, 3.2, 2.831, 2.92, 3.24, 1.35, 1.03])

    print("Testing... (Mean square loss Comparison)")
    testing_cost = sess.run(
        tf.reduce_sum(tf.pow(pred - Y, 2)) / (2 * test_X.shape[0]),
        feed_dict={X: test_X, Y: test_Y})  # same function as cost above
    print("Testing cost=", testing_cost)
    print("Absolute mean square loss difference:", abs(
        training_cost - testing_cost))

    plt.plot(test_X, test_Y, 'bo', label='Testing data')
    plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')
    plt.legend()
    plt.show()

# -*- coding: utf-8 -*-

# Linear regression

# https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/2_BasicModels/linear_regression.py

'''

A linear regression learning algorithm example using TensorFlow library.

Author: Aymeric Damien

Project: https://github.com/aymericdamien/TensorFlow-Examples/

'''

from __future__ import print_function

import tensorflow as tf

import numpy

import matplotlib.pyplot as plt

rng = numpy.random

# Parameters

learning_rate = 0.01

training_epochs = 1000

display_step = 50

# Training Data

train_X = numpy.asarray([3.3,4.4,5.5,6.71,6.93,4.168,9.779,6.182,7.59,2.167,

7.042,10.791,5.313,7.997,5.654,9.27,3.1])

train_Y = numpy.asarray([1.7,2.76,2.09,3.19,1.694,1.573,3.366,2.596,2.53,1.221,

2.827,3.465,1.65,2.904,2.42,2.94,1.3])

n_samples = train_X.shape[0]

# tf Graph Input

X = tf.placeholder("float")

Y = tf.placeholder("float")

# Set model weights

W = tf.Variable(rng.randn(), name="weight")

b = tf.Variable(rng.randn(), name="bias")

# Construct a linear model

# pred = tf.add(tf.mul(X, W), b) # deprecated

pred = tf.add(tf.multiply(X, W), b)

# Mean squared error

cost = tf.reduce_sum(tf.pow(pred-Y, 2))/(2*n_samples)

# Gradient descent

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

# Initializing the variables

init = tf.global_variables_initializer()

# Launch the graph

with tf.Session() as sess:

sess.run(init)

# Fit all training data

for epoch in range(training_epochs):

for (x, y) in zip(train_X, train_Y):

sess.run(optimizer, feed_dict={X: x, Y: y})

# Display logs per epoch step

if (epoch+1) % display_step == 0:

c = sess.run(cost, feed_dict={X: train_X, Y:train_Y})

print("Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(c), \

"W=", sess.run(W), "b=", sess.run(b))

print("Optimization Finished!")

training_cost = sess.run(cost, feed_dict={X: train_X, Y: train_Y})

print("Training cost=", training_cost, "W=", sess.run(W), "b=", sess.run(b), '\n')

# Graphic display

plt.plot(train_X, train_Y, 'ro', label='Original data')

plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')

plt.legend()

plt.show()

# Testing example, as requested (Issue #2)

test_X = numpy.asarray([6.83, 4.668, 8.9, 7.91, 5.7, 8.7, 3.1, 2.1])

test_Y = numpy.asarray([1.84, 2.273, 3.2, 2.831, 2.92, 3.24, 1.35, 1.03])

print("Testing... (Mean square loss Comparison)")

testing_cost = sess.run(

tf.reduce_sum(tf.pow(pred - Y, 2)) / (2 * test_X.shape[0]),

feed_dict={X: test_X, Y: test_Y}) # same function as cost above

print("Testing cost=", testing_cost)

print("Absolute mean square loss difference:", abs(

training_cost - testing_cost))

plt.plot(test_X, test_Y, 'bo', label='Testing data')

plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')

plt.legend()

plt.show()

Diğer kodlarla ilgili takıldığınız yerler olursa, yorum alanından sorularınızı bana yöneltebilirsiniz. 15 ayrı örneği yukarıda belirttiğim koşullarda denedim. 12 örneği sorunsuz çalıştırdım. 3 tanesindeki sorunlar hala devam ediyor. Testleri sürdürüyorum.

Ahmet Aksoy

Kaynaklar:

Python kurulumu (windows 7)

programlar, python Yanıt yok »

Mar 252015

6.530 views

Python kurulumu (windows 7)

Bu yazımda windows 7 işletim sistemi üzerine python kurulumunun nasıl yapılacağını ana hatlarıyla aktaracağım.

Aşağıdaki videoda python 3.4.3 kurulumunu anlattım. Devam eden yazıda ise aynı işlemler adım adım anlatılmaktadır.

[youtube https://www.youtube.com/watch?v=EVGnFdvXDto&w=560&h=315]

Bildiğiniz gibi python iki ayrı dal halinde varlığını sürdürmektedir. Eski python dalı (python 2) 2.7.9 sürümü, yeni python dalı (python 3) ise sürüm 3.4.3 olarak devam ediyor. (Python 2 serisinde artık yeni sürümler beklenmiyor.)

Aslına bakarsanız, python 2 desteği kesilmiş olmakla beraber, yeni sürümde sorun çıkaran eski kütüphaneler, eski sürümün etkin bir şekilde varlığını sürdürmesine fırsat yaratıyor.

Yeni sürümde ise özellikle dil sorunları büyük ölçüde çözümlenmiş durumdadır. Birçok kütüphane için dönüştürme betikleri mevcut. Yine de, internet üzerinde yaptığınız örnek kod aramalarında, python 2 için bulacağınız örnekler hala baskın durumdadır.

Bu nedenle, hem python 2, hem de python 3 kurulumlarını sisteminizde hazır tutmak ve yeri geldiğinde bu sürümlerden uygun olanı tercih etmek mantıklı görünüyor. Şahsen kendim, pek çok örnek çalışmamı python 2 üzerinde sürdürüyor, zaman zaman da python 3 çalışması yapıyorum. Eğer başlangıç düzeyindeyseniz, size de bu yöntemi öneririm.

Eğer sisteminizde python kurulu olup olmadığını, eğer kuruluysa hangi sürüm olduğunu anlamanın en kolay yolu komut penceresindeyken

Python -V

Python -V

komutunu vermektir.

Eğer “Python 2.x.y” şeklinde bir yanıt alırsanız, sisteminizde Python 2 serisi etkin durumdadır.Aldığınız yanıtın “Python 3.x.y” şeklinde olması ise Python 3 serisinin etkin olduğunu gösterir. Eğer verdiğiniz komutun bilinmediğine ilişkin bir hata mesajı alırsanız, sisteminizde aktif durumda bir Python kurulumu olmadığını söyleyebiliriz.

Yukarıdaki resimde, sistemde etkin durumdaki sürümün 2.7.9 olduğu görülüyor.
Aynı sistemde pek çok farklı Python sürümü olabilir. Ama belli bir zamanda bunlardan sadece biri etkin durumdadır. Hangi sürümün etkin olduğunu sistem değişkenlerindeki yol (PATH) değişkeni tanımlar.

Bu değişkene ulaşıp düzenlemek için Bilgisayarım ikonuna sağ tuşla tıkladıktan sonra:

Özellikler -> Gelişmiş Sistem Ayarları -> Ortam Değişkenleri -> PATH -> Düzenle
Yolunu izlemek gerekir.

Yukarıdaki örnekte C:Python278; ve C:Python278Scripts; bilgileri PATH ortam değişkenine tanımlanmış durumdadır. Bu nedenle komut modunda “python” komutunu veya bağlantılı bazı komutları verdiğimizde yukarıdaki iki klasörün içeriği de taranarak verilen komut dosyası aranır.

Eğer C:Python330 klasörüne kurulu Python 3 serisini etkinleştirmek istersek PATH ortam değişkenindeki değerleri C:Python330;C:Python330Scripts; olarak değiştirip kaydetmemiz yeterli olacaktır.

Python 2.7.9 kurulumu (Bilgisayarda bu sürüm zaten var.)

1- https://www.python.org/downloads/

2- “Download Python 2.7.9” butonuna tıkla

3- Python-2.7.9.msi dosyasının bilgisayara inmesini bekle

4- İnmesi tamamlanan msi dosyasını çift tıklayarak çalıştır

5- İşlemi seç (repair)

6- Finish butonuna bas

Şimdi de bilgisayarda önceden kurulu olmayan Python 3.4.3 sürümünü kuralım:

1- “Download Python 3.4.3” butonuna bas

2- Python-3.4.3.msi dosyasının inmesini bekle

3- Msi dosyasını çalıştır

4- Install for all user seç

5- Next butonuna bas

6- C:Python34 kurulum klasörünü seç (istersen değiştir)

7- Next butonuna bas

8- Customize Python 3.4.3 (aynen kabul et)

9- Next butonuna bas

10- Finish butonuna bas

Şu anda bilgisayarda iki sürüm de kurulmuş durumda. Ancak etkin olan sürüm hala 2.7.9. Diğer sürümü etkin hale getirmek istersek tek yapacağımız şey, PATH ortam değişkenindeki klasörleri C:Python34 olarak değiştirmek.

Bir sonraki yazımda bir Entegre Geliştirme Platformu (IDE) olan PyCharm kurulumunu ele almayı düşünüyorum.

Sorularınızı yazının altındaki yorum alanından bana ulaştırabilirsiniz. En kısa zamanda yanıtlamaya çalışacağım.

Ahmet Aksoy