TensorFlow in Julia

Introduction to TensorFlow.jl

虽然 Julia 是一门非常优秀的语言，但是目前 TensorFlow 并不直接支持 Julia 。如果有需要，你可以选择 TensorFlow.jl ， 这是一个由 malmaud 封装的第三方 Julia 包。它有和 Python 版本类似的 API ，也能支持 GPU 加速。

Why using Julia to develop TensorFlow?

先进的语法糖，让你能简明扼要的表述计算过程。而高性能的 JIT ，提供了媲美静态语言的速度（这一点是在数据预处理中非常重要，但也是 Python 难以企及的）。 所以，使用 Julia ，写的快，跑的更快。 （你可以通过 这个视频 了解更多）

本章我们将基于 TensorFlow.jl 0.12，向大家简要介绍 Tensorflow 在 Julia 下的使用. 你可以参考最新的 TensorFlow.jl 文档.

TensorFlow.jl environment configuration

TensorFlow.jl express experience on docker

在本机已有 docker 环境的情况下，使用预装 TensorFlow.jl 的 docker image 是非常方便的。

在命令行中执行 docker run -it malmaud/julia:tf ，然后就可以获得一个已经安装好 TensorFlow.jl 的 Julia REPL 环境。 (如果你不想直接打开 Julia，请在执行 docker run -it malmaud/julia:tf /bin/bash 来打开一个bash终端. 如需执行您需要的jl代码文件，可以使用 docker 的目录映射)

Installing TensorFlow.jl in Julia package manager

在命令行中执行 julia 进入 Julia REPL 环境，然后执行以下命令安装 TensorFlow.jl

using pkg
Pkg.add("TensorFlow")

Basic usage of TensorFlow.jl

using TensorFlow

# 定义一个 Session
sess = TensorFlow.Session()

# 定义一个常量和变量
x = TensorFlow.constant([1])
y = TensorFlow.Variable([2])

# 定义一个计算
w = x + y

# 执行计算过程
run(sess, TensorFlow.global_variables_initializer())
res = run(sess, w)

# 输出结果
println(res)

MNIST digit catagorization

这个例子来自于 TensorFlow.jl 文档 ，可以用于对比 python 版本的 API.

# 使用自带例子中的 mnist_loader.jl 加载数据
include(Pkg.dir("TensorFlow", "examples", "mnist_loader.jl"))
loader = DataLoader()

# 定义一个 Session
using TensorFlow
sess = Session()


# 构建 softmax 回归模型
x = placeholder(Float32)
y_ = placeholder(Float32)
W = Variable(zeros(Float32, 784, 10))
b = Variable(zeros(Float32, 10))

run(sess, global_variables_initializer())

# 预测类和损失函数
y = nn.softmax(x*W + b)
cross_entropy = reduce_mean(-reduce_sum(y_ .* log(y), axis=[2]))

# 开始训练模型
train_step = train.minimize(train.GradientDescentOptimizer(.00001), cross_entropy)
for i in 1:1000
    batch = next_batch(loader, 100)
    run(sess, train_step, Dict(x=>batch[1], y_=>batch[2]))
end

# 查看结果并评估模型
correct_prediction = indmax(y, 2) .== indmax(y_, 2)
accuracy=reduce_mean(cast(correct_prediction, Float32))
testx, testy = load_test_set()

println(run(sess, accuracy, Dict(x=>testx, y_=>testy)))