تحلیل با رویکرد یادگیری ژرف بر بستر کلان‌داده

‫د‬ ‫کالن‬ ‫بستر‬ ‫بر‬ ‫ژرف‬ ‫یادگیری‬ ‫رویکرد‬ ‫با‬ ‫تحلیل‬‫اده‬(4)
‫تهران‬ ،‫شریف‬ ‫صنعتی‬ ‫دانشگاه‬
‫داده‬‫کالن‬ ‫بستر‬ ‫بر‬ ‫ژرف‬‫یادگیری‬ ‫رویکرد‬ ‫با‬ ‫تحلیل‬ ‫علمی‬ ‫ارائه‬ ‫چهارم‬ ‫جلسه‬1
Akhavan@alirezaweb.com ‫اخوان‬ ‫علیرضا‬‫پور‬
6‫بهمن‬1395
‫علیرضا‬‫اخوان‬‫پور‬
www.Bigdataworkgroup.ir

‫علیرضا‬‫اخوان‬‫پور‬‫داده‬‫کالن‬ ‫بستر‬ ‫بر‬ ‫ژرف‬‫یادگیری‬ ‫رویکرد‬ ‫با‬ ‫تحلیل‬ ‫علمی‬ ‫ارائه‬ ‫چهارم‬ ‫جلسه‬2
‫ِي‬‫ر‬ْ‫د‬َ‫ص‬ ‫ِي‬‫ل‬ ْ‫ح‬َ‫ر‬ْ‫ش‬‫ا‬ ِّ‫ب‬َ‫ر‬ َ‫ل‬‫َا‬‫ق‬﴿۲۵﴾‫ِي‬‫ر‬ْ‫م‬َ‫أ‬ ‫ِي‬‫ل‬ ْ‫ر‬ِّ‫س‬َ‫ي‬َ‫و‬﴿۲۶﴾
‫ِي‬‫ن‬‫َا‬‫س‬ِّ‫ل‬ ‫ِّن‬‫م‬ ً‫ة‬َ‫د‬ْ‫ق‬ُ‫ع‬ ْ‫ل‬ُ‫ل‬ْ‫ح‬‫َا‬‫و‬﴿۲۷﴾‫ِي‬‫ل‬ْ‫و‬َ‫ق‬ ‫ُوا‬‫ه‬َ‫ق‬ْ‫ف‬َ‫ي‬﴿۲۸﴾
(‫طه‬ ‫سوره‬)

 Torch
 Caffe
 Theano (Keras, Lasagne)
 CuDNN
 Tensorflow
 Mxnet
 ...
‫رویکرد‬ ‫با‬ ‫تحلیل‬ ‫علمی‬ ‫ارائه‬ ‫چهارم‬ ‫جلسه‬
‫داده‬‫کالن‬ ‫بستر‬ ‫بر‬ ‫ژرف‬‫یادگیری‬
3
‫های‬‫چارچوب‬
‫ژرف‬ ‫یادگیری‬

‫در‬ ‫آمار‬Github
Name release Star Fork
Tensorflow Nov 1, 2015 44k 20k
caffe Sep 8, 2013 15k 10k
keras Mar 22, 2015 11k 4k
mxnet Apr 26, 2015 8k 3k
torch Jan 22, 2012 6k 2k
theano Jan 6, 2008 5k 2k
Last update: 2017 22 January

‫گوگل‬ ‫در‬ ‫جو‬ ‫و‬ ‫جست‬ ‫آمار‬
https://www.google.com/trends/explore?date=today 12-m&q=tensorflow tutorial,torch tutorial,theano tutorial,caffe tutorial,Mxnet tutorial

‫چارچوب؟‬ ‫انتخاب‬ ‫معیارهای‬!
•‫پیکربندی‬ ‫فایل‬‫نویسی؟‬‫برنامه‬ ‫یا‬!
• Configuration file: Caffe, DistBelief and CNTK
• programmatic generation: Torch, Theano and Tensorflow
•‫نویسی‬‫برنامه‬ ‫زبان‬ ‫انتخاب‬
• Lua (Torch) vs. Python (Theano, Tensorflow) vs others

‫مقایسه‬Theano‫و‬Tensorflow
‫پذیری‬ ‫توزیع‬
‫سرعت‬
‫کاربرد‬
‫عملی‬
‫آکادمیک‬
https://github.com/soumith/convnet-benchmarks (Soumith Chintala , Facebook AI Research)
2015

2016


‫کنند؟‬‫می‬ ‫استفاده‬ ‫تنسورفلو‬ ‫از‬ ‫کسانی‬ ‫چه‬

9
‫تنسورفل‬ ‫مبانی‬‫و‬
‫گوگل‬ ‫ژرف‬ ‫یادگیری‬ ‫ورک‬‫فریم‬‫شد‬ ‫منتشر‬ ‫باز‬‫متن‬ ‫صورت‬ ‫به‬ ‫اخیرا‬ ‫که‬‫است‬ ‫ه‬.
‫گیری‬‫مشتق‬ ‫و‬ ‫بهینه‬ ‫محاسباتی‬ ‫عملیات‬
‫گراف‬ ‫گرادیان‬ ‫ی‬‫محاسبه‬

‫چیست؟‬ ‫تنسور‬
،‫ساده‬ ‫عبارت‬ ‫به‬‫ی‬‫آرایه‬n‫اعداد‬ ‫از‬ ‫بعدی‬

‫داده‬ ‫جریان‬ ‫گراف‬
‫تنسورفلو‬‫تعریف‬‫محاسبات‬‫از‬‫اجرا‬‫اس‬ ‫کرده‬ ‫جدا‬ ‫را‬‫ت‬.
‫گام‬1:‫محاسباتی‬ ‫گراف‬ ‫تعریف‬
‫گام‬2:‫یک‬ ‫از‬ ‫استفاده‬‫برای‬ ‫نشست‬‫در‬ ‫عملیات‬ ‫اجرای‬‫گراف‬ ‫این‬.

‫داده‬ ‫جریان‬ ‫گراف‬
import tensorflow as tf
a = tf.add(2, 3)
‫چرا‬x‫و‬y‫؟‬!
‫نسبت‬ ‫نام‬ ‫ها‬‫آن‬ ‫به‬ ‫خودکار‬ ‫صورت‬ ‫به‬ ‫تنسورفلو‬ ،‫نکنید‬ ‫گذاری‬‫نام‬ ‫را‬ ‫محاسباتی‬ ‫گراف‬ ‫رئوس‬ ‫صریح‬ ‫صورت‬ ‫به‬ ‫اگر‬‫دهد‬‫می‬.
‫مثال‬ ‫این‬ ‫در‬
x = 2
y = 3

‫از‬ ‫استفاده‬ ‫ی‬‫ساده‬ ‫ی‬‫برنامه‬numpy

‫تنسورفلو‬ ‫با‬ ‫بازنویسی‬
In [2]: import tensorflow as tf
In [3]: tf.InteractiveSession()
In [4]: a = tf.zeros((2,2)); b = tf.ones((2,2))
In [5]: tf.reduce_sum(b, reduction_indices=1).eval()
Out[5]: array([ 2., 2.], dtype=float32)
In [6]: a.get_shape()
Out[6]: TensorShape([Dimension(2), Dimension(2)])
In [7]: tf.reshape(a, (1, 4)).eval()
Out[7]: array([[ 0., 0., 0., 0.]], dtype=float32)
session‫؟‬!
‫؟‬! eval
TensorShape‫مثل‬
tuple‫و‬ ‫اد‬‫ا‬‫ی‬ ‫ر‬ ‫اد‬‫ا‬‫ه‬
‫میکنند‬ ‫در‬ ‫رف‬

‫از‬ ‫استفاده‬ ‫ی‬‫مقایسه‬numpy‫و‬Tensorflow
Numpy TensorFlow
a= np.zeros((2,2)); b = np.ones((2,2)) a= tf.zeros((2,2)), b = tf.ones((2,2))
np.sum(b, axis=1) tf.reduce_sum(a,reduction_indices=[1])
a.shape a.get_shape()
np.reshape(a, (1,4)) tf.reshape(a, (1,4))
b * 5 + 1 b * 5 + 1
np.dot(a,b) tf.matmul(a, b)
a[0,0], a[:,0], a[0,:] a[0,0], a[:,0], a[0,:]

‫صریح‬ ‫ارزیابی‬ ‫به‬ ‫تنسورفلو‬‫نیاز‬‫دارد‬
In [5]: a = np.zeros((2,2))
In [6]: ta = tf.zeros((2,2))
‫تنسورفلو‬‫یک‬‫گراف‬‫محدسبدتی‬
‫تعریف‬‫‌کند‬‫ی‬‫م‬‫که‬‫تا‬‫زمانی‬‫که‬‫ارزی‬‫ابی‬
‫نشود‬‫هیچ‬‫مقدار‬‫عددی‬‫ندارد‬!
In [7]: print(a)
[[ 0. 0.]
[ 0. 0.]]
In [8]: print(ta)
Tensor("zeros_1:0", shape=(2, 2), dtype=float32)
In [9]: print(ta.eval())
[[ 0. 0.]
[ 0. 0.]]

‫نشست‬ ‫شئ‬(session)‫در‬‫تنسورفلو‬(1)
”‫شیء‬ ‫یک‬session‫محیطی‬‫کند‬‫می‬ ‫سازی‬‫کپسوله‬ ‫را‬ ‫شوند‬ ‫می‬ ‫ارزیابی‬ ‫تنسور‬ ‫اشیاء‬ ‫آن‬ ‫در‬ ‫که‬!“Tensorflow_Docs
In [1]: a = tf.constant(5.0)
In [2]: b = tf.constant(6.0)
In [3]: c = a * b
In [4]: with tf.Session() as sess:
....: print(sess.run(c))
....: print(c.eval())
....:
30.0
30.0
c.eval()‌‫معادل‬sess.run(c)‌‫در‬
‌‫‌ی‬‫ه‬‫محدود‬session‫فعال‬!

‫نشست‬ ‫شئ‬(session)‫تنسورفلو‬ ‫در‬(2)
‫یک‬Session‫ممکن‬‫است‬‫منابعی‬‫در‬‫اختیار‬‫گرفته‬‫باشد‬‫و‬‫حتما‬‫باید‬‫بعد‬‫از‬‫استفاده‬‫‌ها‬‫ن‬‫آ‬‫را‬‫آزادک‬‫نیم‬.

‫گراف‬ ‫از‬ ‫بیشتر‬ ‫هایی‬ ‫مثال‬(1)
x = tf.constant(2)
y = 3
op1 = tf.add(x, y)
op2 = tf.mul(x, y)
op3 = tf.pow(op2, op1)
with tf.Session() as sess:
op3 = sess.run(op3)

‫از‬ ‫بیشتر‬ ‫هایی‬ ‫مثال‬‫گراف‬(2)
x = 2
y = 3
op1 = tf.add(x, y)
op2 = tf.mul(x, y)
useless = tf.mul(x, op1)
op3 = sess.run(op3)
‫با‬‫اجرای‬op3‫نیازی‬‫به‬useless‫نمیشود‬.
‫پس‬‫نشست‬‫آن‬‫را‬‫اجرا‬‫‌کند‬‫ی‬‫نم‬.
‫‌جویی‬‫ه‬‫صرف‬‫در‬‫محاسبات‬

‫از‬ ‫بیشتر‬ ‫هایی‬ ‫مثال‬‫گراف‬(3)
x = 2
y = 3
op1 = tf.add(x, y)
op2 = tf.mul(x, y)
useless = tf.mul(x, op1)
op3, not_useless = sess.run([op3, useless])
‫در‬‫این‬‫حالت‬useless‫نیز‬‫محاسبه‬‫‌شود‬‫ی‬‫م‬.

Variable‫تنسورفلو‬ ‫در‬ ‫ها‬(1)
‫هنگامی‬‫داریم‬ ‫متغیر‬ ‫تعریف‬ ‫به‬ ‫نیاز‬ ‫ها‬‫پارامتر‬ ‫داری‬‫نگه‬ ‫برای‬ ،‫دهیم‬‫می‬ ‫آموزش‬ ‫را‬ ‫مدل‬ ‫یک‬ ‫که‬.
variable‫باشد‬ ‫متغیر‬ ‫رسانی‬ ‫روز‬ ‫به‬ ‫به‬ ‫نیاز‬ ‫که‬ ‫روند‬‫می‬ ‫کار‬ ‫به‬ ‫مواردی‬ ‫در‬ ‫ها‬.TensorFlow_Docs
‫شبکه‬ ‫های‬‫وزن‬ ‫مانند‬
‫نوع‬ ‫از‬ ‫شد‬ ‫مالحظه‬ ‫پیشین‬ ‫اسالیدهای‬ ‫در‬ ‫که‬ ‫تنسورهای‬ ‫تمام‬constant‫بودند‬!

In [32]: W1 = tf.ones((2,2))
In [33]: W2 = tf.Variable(tf.zeros((2,2)), name="weights")
print(sess.run(W1))
sess.run(tf.initialize_all_variables())
print(sess.run(W2))
....:
[[ 1. 1.]
[ 1. 1.]]
[[ 0. 0.]
[ 0. 0.]]
‌‫فراخوانی‬tf.initialize_all_variables()‌‫برای‬‫مقدار‌دهی‌اولیه‬
‫تدبع‬tf.initialize_all_variables()‫شو‬‫می‬ ‫حذف‬ ‫ی‬ ‫زو‬ ‫به‬.
‫ن‬ ‫گز‬ ‫جد‬:tf.global_variables_initializer

•Variable‫شوند‬ ‫اولیه‬ ‫مقداردهی‬ ‫باید‬ ‫حتما‬ ‫تنسورفلو‬ ‫در‬ ‫ها‬(initialize)
•‫با‬ ‫مقایسه‬constant‫؟‬!
In [38]: W = tf.Variable(tf.zeros((2,2)), name="weights")
In [39]: R = tf.Variable(tf.random_normal((2,2)), name="random_weights")
....: sess.run(tf.global_variables_initializer())
....: print(sess.run(W))
....: print(sess.run(R))
....:
‫اشیاء‬variable‫را‬‫می‬‫توان‬‌‫با‬‫ثابت‬‌‫‌ها‬(constant‌)‫یا‬‫مقادیر‬‫تصادفی‬‫مقداردهی‬‫اولیه‬‫کرد‬
‌‫مقدار‌دهی‌اولیه‌تمام‬‌‫متغیرها‬‌‫با‬‫مقادیر‌قبال‌مشخص‌شده‬.

‫یک‬ ‫رسانی‬ ‫روز‬ ‫به‬variable
In [63]: state = tf.Variable(0, name="counter")
In [64]: new_value = tf.add(state, tf.constant(1))
In [65]: update = tf.assign(state, new_value)
....: sess.run(tf.global_variables_initializer())
....: print(sess.run(state))
....: for _ in range(3):
....: sess.run(update)
....: print(sess.run(state))
....:
‫ل‬ ‫معد‬new_value = state + 1
‫ل‬ ‫معد‬state = new_value
‫ل‬ ‫معد‬
state = 0
print(state)
for _ in range(3):
state = state + 1
print(state)
‫خروجی‬‫قطعه‌کد‬:
0
1
2
3

‫واکشی‬Variable‫تنسورفلو‬ ‫در‬ ‫ها‬(1)
In [82]: input1 = tf.constant(3.0)
In [85]: intermed = tf.add(input2, input3)
In [86]: mul = tf.mul(input1, intermed)
....: result = sess.run([mul, intermed])
....: print(result)
....:
‫خروجی‬:
[21.0, 7.0]
‫فراخوانی‬sess.run(var)‫در‬‫یک‬‫نشست‬،‫مقدار‬‫آن‬‫متغیر‬‫را‬‫‌دهد‬‫ی‬‫م‬.
‫‌توان‬‫ی‬‫م‬‫چندین‬‫متغیر‬‫را‬‫همزمان‬‫واکشی‬(fetch)‫کرد‬.

‫واکشی‬Variable‫تنسورفلو‬ ‫در‬ ‫ها‬(2)
input1 = tf.constant(3.0)
intermed = tf.add(input2, input3)
mul = tf.mul(input1, intermed)
result = sess.run([mul, intermed])
print(result)

‫ورودی‬
‫بودند‬ ‫شده‬ ‫تعریف‬ ‫دستی‬ ‫صورت‬ ‫به‬ ‫تنسورها‬ ‫پیشین‬ ‫اسالیدهای‬ ‫تمام‬ ‫در‬.
‫بدهیم؟‬ ‫ورودی‬ ‫آن‬ ‫به‬ ‫تنسورفلو‬ ‫از‬ ‫بیرون‬ ‫از‬ ‫چگونه‬!
oConstant
oVariable
o‫؟‬!
‫ساده‬ ‫حل‬ ‫راه‬:‫از‬ ‫استفاده‬numpy

‫از‬ ‫استفاده‬ ‫با‬ ‫ورودی‬numpy
In [93]: a = np.zeros((3,3))
In [94]: ta = tf.convert_to_tensor(a)
....: print(sess.run(ta))
....:
[[ 0. 0. 0.]
[ 0. 0. 0.]
[ 0. 0. 0.]]

‫با‬ ‫ورودی‬Placeholder‫و‬Feed Dictionary
In [96]: input1 = tf.placeholder(tf.float32)
In [98]: output = tf.mul(input1, input2)
....: print(sess.run([output], feed_dict={input1:[7.], input2:[2.]}))
....:
[array([ 14.], dtype=float32)]
‌‫تعریف‌اشیاء‬tf.placeholder‫برای‌ورود‌داده‌ها‬
Feed data into
computation graph.
Fetch value of output
from computation graph.
‫از‬ ‫استفاده‬ ‫با‬ ‫ورودی‬numpy‫نیست‬ ‫پذیر‬‫مقیاس‬ ‫اما‬ ،‫است‬ ‫راحت‬ ‫و‬ ‫پذیر‬ ‫امکان‬.
‫از‬ ‫استفاده‬tf.placeholder‫و‬feed_dict

‫مثال‬

‫با‬ ‫ورودی‬Placeholder‫و‬Feed Dictionary(3)
In [98]: output = tf.mul(input1, input2)
....: print(sess.run([output], feed_dict={input1:[7.], input2:[2.]}))
....:
[array([ 14.], dtype=float32)]

34
‫عملی‬ ‫مثال‬

‫مرور‬...

‫ساده‬ ‫مثال‬

Softmax
𝑌 = 𝑆𝑜𝑓𝑡𝑚𝑎𝑥 ( 𝑋. 𝑊 + 𝑏 )
‫بینی‬‫ییش‬
𝒀[𝟏𝟎𝟎, 𝟏𝟎]
‫ر‬ ‫تصدو‬
𝑿[𝟏𝟎𝟎, 𝟕𝟒𝟖]
‫هد‬ ‫وز‬
𝑾[𝟕𝟒𝟖, 𝟏𝟎]
‫دس‬ ‫بد‬
b[𝟏𝟎]
‫سی‬ ‫مدتر‬ ‫ضرب‬

Softmax‫تنسورفلو‬ ‫در‬
𝑌 = 𝑡𝑓. 𝑛𝑛. 𝑠𝑜𝑓𝑡𝑚𝑎𝑥(𝑡𝑓. 𝑚𝑎𝑡𝑚𝑢𝑙(𝑋, 𝑊) + 𝑏)
𝑿[𝟏𝟎𝟎, 𝟕𝟒𝟖] 𝑾[𝟕𝟒𝟖, 𝟏𝟎] b[𝟏𝟎]
‫سی‬ ‫مدتر‬ ‫ضرب‬
Tensor shapes:

− 𝑌𝑖
′
. log(𝑌𝑖)
Cross entropy: actual probabilities, “one-hot” encoded
computed probabilities


‫اولیه‬ ‫مقداردهی‬
import tensorflow as tf
X = tf.placeholder(tf.float32, [None, 28, 28, 1])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
init = tf.initialize_all_variables()

‫معیار‬
# model
Y = tf.nn.softmax(tf.matmul(tf.reshape(X, [-1, 784]), W) + b)
# placeholder for correct answers
Y_ = tf.placeholder(tf.float32, [None, 10])
# loss function
cross_entropy = -tf.reduce_sum(Y_ * tf.log(Y))
# % of correct answers found in batch
is_correct = tf.equal(tf.argmax(Y,1), tf.argmax(Y_,1))
accuracy = tf.reduce_mean(tf.cast(is_correct, tf.float32))

‫آموزش‬
optimizer = tf.train.GradientDescentOptimizer(0.003)
train_step = optimizer.minimize(cross_entropy)

‫اجرا‬
sess = tf.Session()
sess.run(init)
for i in range(1000):
# load batch of images and correct answers
batch_X, batch_Y = mnist.train.next_batch(100)
train_data={X: batch_X, Y_: batch_Y}
# train
sess.run(train_step, feed_dict=train_data)
# success ?
a,c = sess.run([accuracy, cross_entropy], feed_dict=train_data)
# success on test data ?
test_data={X: mnist.test.images, Y_: mnist.test.labels}
a,c = sess.run([accuracy, cross_entropy, It], feed=test_data)

‫شده‬ ‫توزیع‬ ‫محاسبات‬
•‫روی‬ ‫موازی‬ ‫اجرای‬ ‫برای‬ ‫را‬ ‫محاسباتی‬ ‫گراف‬ ‫توان‬‫می‬cpu
،‫ها‬GPU‫تقس‬ ‫قسمت‬ ‫چند‬ ‫به‬ ‫مختلف‬ ‫های‬‫دستگاه‬ ‫و‬ ‫ها‬‫یم‬
‫کرد‬.
with tf.device('/gpu:2'):
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], name='b')
c = tf.matmul(a, b)

46
‫منابع‬
‫بیشت‬ ‫مطالعات‬ ‫و‬‫ر‬

‫تنسورفلو‬ ‫آموزش‬ ‫رایگان‬ ‫و‬ ‫آنالین‬ ‫های‬‫درس‬
https://www.udacity.com/course/deep-learning--ud730
Deep Learning by (using Tensorflow (
Deep Learning with TensorFlow
https://bigdatauniversity.com/courses/deep-learning-tensorflow/
CS 20SI: Tensorflow for Deep Learning Research
https://web.stanford.edu/class/cs20si/

https://www.youtube.com/watch?v=l6K-MFgIEjc
https://cs224d.stanford.edu/lectures/CS224d-Lecture7.pdf
19th Apr 2016
‫منابع‬‫مطالعه‬ ‫برای‬ ‫مفید‬ ‫و‬ ‫ارائه‬ ‫این‬ ‫اصلی‬...
https://www.youtube.com/watch?v=vq2nnJ4g6N0
https://gotocon.com/...TensorflowAndDeepLearningWithoutAPhD.pdf
8 Nov 2016
http://web.stanford.edu/class/cs20si/lectures/slides_01.pdf
13 and 18 Jan 2017
http://web.stanford.edu/class/cs20si/lectures/slides_02.pdf

‫منابع‬ ‫سایر‬
TensorFlow official site
http://tensorflow.org/
Deep Learning Frameworks Compared by Siraj Raval
https://www.youtube.com/watch?v=MDP9FfsNx60
TensorFlow - Ep. 22 (Deep Learning SIMPLIFIED)
https://www.youtube.com/watch?v=bYeBL92v99Y

‫د‬ ‫کالن‬ ‫بستر‬ ‫بر‬ ‫ژرف‬ ‫یادگیری‬ ‫رویکرد‬ ‫با‬ ‫تحلیل‬‫اده‬(4)
‫تهران‬ ،‫شریف‬ ‫صنعتی‬ ‫دانشگاه‬ ‫داده؛‬ ‫کالن‬ ‫کارگروه‬
‫تشکر‬ ‫با‬
‫داده‬‫کالن‬ ‫بستر‬ ‫بر‬ ‫ژرف‬‫یادگیری‬ ‫رویکرد‬ ‫با‬ ‫تحلیل‬ ‫علمی‬ ‫ارائه‬ ‫چهارم‬ ‫جلسه‬50
Akhavan@alirezaweb.com ‫پور‬ ‫اخوان‬ ‫علیرضا‬
6‫بهمن‬1395

تحلیل با رویکرد یادگیری ژرف بر بستر کلان‌داده

More Related Content

What's hot (20)

More from Alireza AkhavanPour (7)

تحلیل با رویکرد یادگیری ژرف بر بستر کلان‌داده