TensorFlow™ no Databricks

Variáveis

• Computação mais rápida de variáveis complexas
• Computação distribuída em vários sistemas, incluindo GPUs.
• Redundância reduzida em alguns cálculos

Vejamos como isso funciona na prática. Primeiro, um script python muito básico:

x = 35
y = x + 5
print(y)

Este script basicamente diz "crie uma variável x com o valor 35, defina o valor de uma nova variável y a essa valor mais 5, que é atualmente 40, e imprima-a". O valor 40 será impresso ao executar este programa. Se você não estiver familiarizado com o python, crie um novo arquivo de texto chamado basic_script.py e copie esse código. Salve-o em seu computador e execute-o com:

python basic_script.py

Observe que o caminho (ou seja, basic_script.py) deve fazer referência ao arquivo, portanto, se ele estiver na pasta Code, você usará:

python Code/basic_script.py

Além disso, confirme se o ambiente virtual Anaconda está ativado. No Linux, isso fará com que seu prompt fique mais ou menos assim:

(tensorenv)username@computername:~$

Se estiver funcionando, vamos converter para um equivalente do TensorFlow.

import tensorflow as tf

x = tf.constant(35, name='x')
y = tf.Variable(x + 5, name='y')

print(y)

Depois de executar isso, você terá um resultado bem esquisito, algo como <tensorflow.python.ops.variables.Variable object at 0x7f074bfd9ef0>. Claramente, não é o valor 40.

A razão é que nosso programa realmente faz algo bem diferente do anterior. O código aqui faz o seguinte:

1. Importe o módulo do tensorflow e chame-o de tf
2. Crie um valor constante chamado x e atribua a ele o valor numérico 35
3. Crie uma variável chamada y e defina-a como a equação x + 5
4. Imprima o objeto de equação para y

A diferença sutil é que y não recebe “o valor atual de x + 5” como em nosso programa anterior. Em vez disso, é efetivamente uma equação que significa “quando essa variável é calculada, pegue o valor de x (como está então) e adicione 5 a ele”. O cálculo do valor de y nunca é realizado de fato no programa acima.

Vamos corrigir isso:

import tensorflow as tf

x = tf.constant(35, name='x')
y = tf.Variable(x + 5, name='y')

model = tf.global_variables_initializer()

with tf.Session() as session:
    session.run(model)
    print(session.run(y))

Removemos a declaração print(y) e, em vez dela, temos um código que cria uma sessão e, na verdade, calcula o valor de y. Isso é como um boilerplate, mas funciona assim:

1. Importe o módulo do tensorflow e chame-o de tf
2. Crie um valor constante chamado x e atribua a ele o valor numérico 35
3. Crie uma variável chamada y e defina-a como a equação x + 5
4. Inicialize as variáveis com tf.global_variables_initializer() (entraremos em mais detalhes sobre isso)
5. Crie uma sessão para calcular os valores
6. Execute o modelo criado em 4
7. Execute apenas a variável y e imprima seu valor atual

A etapa 4 acima é onde a mágica acontece. Nessa etapa, é criado um gráfico das dependências entre as variáveis. Nesse caso, a variável y depende da variável x, e esse valor é transformado pela adição de 5. Lembre-se de que esse valor não é calculado até a etapa 7, pois, até então, somente as equações e relações são calculadas.

1) As constantes também podem ser matrizes. Preveja o que esse código fará e execute-o para confirmar:

import tensorflow as tf


x = tf.constant([35, 40, 45], name='x')
y = tf.Variable(x + 5, name='y')


model = tf.global_variables_initializer()

with tf.Session() as session:
    session.run(model)
    print(session.run(y))

2) Gere uma matriz NumPy de 10.000 números aleatórios (chamada x) e crie uma variável para armazenar a equação

import numpy as np
data = np.random.randint(1000, size=10000)

import tensorflow as tf


x = tf.Variable(0, name='x')

model = tf.global_variables_initializer()

with tf.Session() as session:
    session.run(model)
    for i in range(5):
        x = x + 1
        print(session.run(x))
        

import tensorflow as tf

x = tf.constant(35, name='x')
print(x)
y = tf.Variable(x + 5, name='y')

with tf.Session() as session:
    merged = tf.summary.merge_all()
    writer = tf.summary.FileWriter("/tmp/basic", session.graph)
    model =  tf.global_variables_initializer()
    session.run(model)
    print(session.run(y))