TP 2 : TensorFlow

EX1 :
CODE :
Import TensorFlow as tf

Sess=tf.Session()

A=tf.constant(7)

B=tf.constant(9)

C=tf.add(A,B)

D=tf. multiply(A ,B)

print( Sess.run(C))

print( Sess.run(D))

Description de CODE :
Import TensorFlow as tf ➔permet d’importer le bibliothèque de TensorFlow dans votre
projet.

Sess=tf.Session()➔déclaration de Session qui permet d’afficher la résultats(résultats de

constantes , variables ….)

A=tf.constant ➔déclaration d’un constante de valeur 7

B=tf.constant ➔déclaration d’un constante de valeur 9

C=tf.add(A,B)➔ addition

D=tf. multiply(A ,B)➔multiplication

print( Sess.run(C)) ➔ affichage

Rq :
➔Il faut résoudre le problème de session .

➔ lien 1: https://stackoverflow.com/questions/59336584/tensorflow-session-issue

➔ lien 2 : https://github.com/tensorflow/tensorflow/issues/18538

➔lien3 : https://www.youtube.com/watch?v=OB7HJxMCF8s
➔Autre méthode pour EX1 si il y ‘a un problème dans Session

EX2 :

EX3 :

➔ Si tu travailler dans jupyter il faut installer les module named 'tensorflow_datasets

➔sol1 : https://github.com/tensorflow/models/issues/6669
➔sol2 :travailler sur Google colab
➔import le datasests de tf permet d'obtenir des pipelines d'entrée hautes performances
faciles à utiliser. Pour commencer, consultez le guide et notre liste d'ensembles de données.

➔split : train (le catégorie et test pour tester)

➔ shuffle_files : es données MNIST ne sont stockées que dans un seul fichier

➔ as_supervised==True : c’est d’utiliser le supervised learning (guided leraning)

Cette méthode s’agit de renvoie tuple (img, label) au lieu de dict {'image': img, 'label': label}
➔with_info=True c’set le guided leraning ,c'est-à-dire donner touts les information pour le
leraning

➔c’est une fonction permet de normaliser les images(notre input)

➔ le code de l’EX3 est existe dans la page de tensorflow , j’ai essayé de changer le code (par
exemple changer les imput des image train par apple or cat or dog ) mais le code ne fonctionne
pas .