Простая модель классификации Tensorflow в Ruby

Основная цель этого блога — построить простую модель линейной классификации в ruby ​​с использованием архитектуры Tensorflow. Основными компонентами тензорного потока, необходимыми для построения и тестирования модели, являются Operation, Placeholder, Variable и Session. Эти компоненты написаны как рубиновые классы. Начнем с класса Operation.

class Operation
  attr_accessor  :input_nodes, :output, :input

  def initialize(*input_nodes)
    @input_nodes = input_nodes
  end

  def compute
    raise "Should be implemented"
  end

end

Класс Operation формирует основу всех вычислений в тензорном потоке. Метод compute выполняет необходимые вычисления. Давайте создадим несколько классов, которые наследуют класс Operation, и мы будем использовать сигмоид в качестве функции активации для модели.

require Matrix
class Add < Operation
  def initialize(*nodes)
    @input_nodes=nodes
  end

  def compute(x,y)
    return x.element(0,0) + y
  end
end

class Matmul < Operation
  def initialize(*nodes)
    @input_nodes=nodes
  end

  def compute(x,y)
    return Matrix[x] * Matrix[y].transpose
  end
end

class Sigmoid < Operation
  def initialize(*nodes)
    @input_nodes=nodes
  end

  def compute(z)
    1/(1+Math.exp(-z))
  end
end

Загрузите библиотеку Matrix в начале для вычисления матрицы. Теперь, когда мы создали базовые классы операций, мы перейдем к другим компонентам.

class Placeholder
  attr_accessor  :value, :output
end

class Variable
  attr_accessor  :value, :output

  def initialize(value)
    @value = value
  end
end

Класс Placeholder содержит объекты, которые являются входными или выходными данными модели. Эти объекты действуют как константы, и их значения не меняются во время сеанса. Variable содержит объекты, значения которых являются либо весами, либо смещением, заданным для модели. В реальной модели тензорного потока эти значения обновляются с помощью оптимизатора (например, AdamOptimizer, Stocastic Gradient Descent и т. д.). Мы не будем обновлять какое-либо значение в нашем подходе. Мы фиксируем значение веса и смещения как [1,1] и -5 соответственно. Теперь мы определим класс сеанса.

class Session

  def run(operation,feed_dict={})
    nodes = traverse_postorder(operation)
    nodes.each do |node|
      if node.is_a? Placeholder
        node.output = feed_dict[node.object_id]
      elsif node.is_a? Variable
        node.output = node.value
      else
        node.input = node.input_nodes.map { |input| input.output }
        node.output = node.compute(*node.input)
      end
    end
    operation.output
  end
  
  def traverse_postorder(operation)
    node_operators = []
    recurse(operation,node_operators)
  end

  def recurse(node,node_operators)
    if node.is_a?(Operation)
      node.input_nodes.each do |input_node|
        recurse(input_node,node_operators)
      end
    end
    node_operators << node
  end
  
end

Класс Session позаботится обо всех исполнениях. Сначала он преобразует набор операций в постфиксный порядок. Затем операции выполняются одна за другой. Поскольку мы создали все необходимые компоненты, давайте приступим к делу.

W = Variable.new([1,1]) #Weight
b = Variable.new(-5) #bias
x = Placeholder.new() #input
y = Matmul.new(W,x)
z = Add.new(y,b) 
a = Sigmoid.new(z) #activation function
sess = Session.new()

Посмотрим прогноз для двух крайних точек

result = sess.run(a,feed_dict={x.object_id=>[0,-10]})
puts(result)%
3.059022269256247e-07

Точка (0,-10) лежит в нижнем левом углу графика, поэтому значение сигмоиды ближе к 0.

result = sess.run(a,feed_dict={x.object_id=>[8,10]})
puts(result)%
0.999997739675702

Для точки (8,10), расположенной в правом верхнем углу графика, значение сигмоиды ближе к 1.

Надеюсь, этот пример дает хорошее представление об основных компонентах tensorflow в ruby. Удачного обучения !!!

Спасибо, что нашли время, чтобы прочитать мои статьи. Если вам понравился мой контент и вы хотели бы быть в курсе моих последних сообщений, я был бы признателен, если бы вы могли подписаться на меня на Medium. Ваша поддержка очень много значит и будет мотивировать меня продолжать делиться с вами ценными знаниями и идеями. Спасибо заранее за вашу поддержку!

Первоначально опубликовано на https://ethigeek.com.