R.003 Rstudio使用

Posted 2023-04-21

参考技术A

建议在RStudio中使用R

1）创建包含R脚本的文件
2）键入R命令
3）查看命令历史记录
4）查看绘图等。

可用于创建和打开包含R脚本的文件。 R脚本是您记录工作的地方。 可以如下创建R脚本：文件–>新建–> R脚本。

用于输入R命令的R控制台

工作目录是R读取和保存文件的文件夹。

更改工作目录

每次打开RStudio时，默认的工作目录都是一个文件夹。 您可以从RStudio菜单下的默认工作目录中进行更改：工具–>全局选项–>单击“浏览”以选择所需的默认工作目录。

每次关闭R / RStudio时，系统都会询问您是否要保存R会话中的数据。 如果决定保存，数据将在以后的R会话中可用。

Running RStudio and Setting Up Your Working Directory - Easy R Programming

R语言也能使用TensorFlow了！RStudio发布官方接口

链接：https://tensorflow.rstudio.com/  

在过去一年中，RStudio 的开发者们一直在努力为 R 语言构建 TensorFlow 的接口。几天前，开发小组终于宣布大部分工作已经完成，现在，R 语言的用户也可以方便地使用 TensorFlow 了。

TensorFlow 是谷歌推动的开源深度学习框架，自两年前发布以来，TensorFlow 很快就成为了机器学习从业者与研究者的首选框架。上周六，RStudio 首席执行官 J.J. Allaire 在一次活动中正式展示了如何在 TensorFlow 中使用 R 语言。

 J.J. Allaire 不仅介绍了他们构建的 TensorFlow R 语言接口，还讨论了有关深度学习的很多问题（深度学习是什么、工作原理，以及未来它与 R 语言用户的关系）。

新的工具包

TensorFlow 的 R 接口包括一套 R 语言包，该包提供多种 TensorFlow R 接口，适用于不同的任务和抽象级别，包括：

• Keras：神经网络的高级接口，致力于促使快速实验。（https://tensorflow.rstudio.com/keras/）

• TensorFlow Estimators：常见模型类别的实现，如回归器和分类器。（https://tensorflow.rstudio.com/tfestimators/）

• Core TensorFlow API：TensorFlow 计算图的低级接口。（https://tensorflow.rstudio.com/tensorflow/）

• TensorFlow Dataset API：TensorFlow 模型的可扩展输入管道。（https://tensorflow.rstudio.com/tools/tfdatasets/）

除了多种 TensorFlow R 接口以外，还有多种工具有助于训练工作流，包括 RStudio IDE 中训练指标的实时反馈：

tfruns 工具包（https://tensorflow.rstudio.com/tools/tfruns/articles/overview.html）提供工具来追踪和管理 TensorFlow 训练运行和实验：

访问 GPU

训练卷积或循环神经网络往往需要大量算力，而使用近期新推出的高端英伟达 GPU 可以带来很大帮助。但是，大部分用户没有此类本地硬件。为了解决这个问题，RStudio 提供了多种云端使用 GPU 的方式，包括：

• Google CloudML（https://tensorflow.rstudio.com/tools/cloudml/）；

• 适用于 AWS Amazon EC2 的 RStudio 云服务器 TensorFlow GPU（https://tensorflow.rstudio.com/tools/cloud_server_gpu.html#amazon-ec2）（Amazon EC2 图像，预先配置了英伟达 CUDA 驱动、TensorFlow、TensorFlow R 接口和 RStudio 服务器）；

• 利用 Paperspace 服务设置 Ubuntu 16.04 Cloud Desktop GPU。

如果你具备需要的 NVIDIA GPU 硬件，可以查看设置 GPU 的相关文档：https://tensorflow.rstudio.com/tools/local_gpu.html

学习资源

RStudio 在学习资源方面也进行了大量投资，所有 TensorFlow R 接口的资源可在该网站获取：https://tensorflow.rstudio.com

学习资源包括但不限于：

《Deep Learning with R》

适合统计学家、分析师、工程师和学生，需要具备一定 R 语言使用经验，但不必精通机器学习和深度学习。你将学习 30 多个代码示例，包括详细的注释和详尽的介绍。读者不必具备机器学习和深度学习知识，这本书涵盖所有必备基础知识。读者也无需深厚的数学背景，高中数学水平就足够了。

Deep Learning with Keras Cheatsheet 

Keras R 接口概念和可用函数的快速参考指南，涵盖不同种类的 Keras 层、数据预处理、训练工作流和预训练模型。

Gallery

TensorFlow R 接口的深入使用案例，包括详细的解释，同时覆盖多种辅助任务，如数据预处理和可视化。

示例

TensorFlow R 接口的介绍性案例，包括使用 Keras、tfestimators 和 TensorFlow 包训练模型的基础知识。

下一步

RStudio 将继续构建适合 R 语言用户的 TensorFlow 包和工具，帮助学习、生产和解决该领域的难题，也将继续添加深入案例。若想持续获得最新信息，请访问 TensorFlow for R 博客：https://tensorflow.rstudio.com/blog.html

虽然 TensorFlow 和深度学习在图像识别、语音识别等领域里已经有了令人瞩目的成果，但它在一些其他领域：如生物医疗和时序分析中仍然没有得到广泛应用。随着 TensorFlow 中 R 语言接口的全面推出，更多的可能性已经出现，现在，是时候进行更多探索了。 

**原文链接：https://blog.rstudio.com/2018/02/06/tensorflow-for-r/

**转自机器之心路雪