دليل تعليمي لـ TensorFlow للمبتدئين
يُعدّ TensorFlow أحد أشهر أطر العمل في مجال التعلّم العميق والتعلّم الآلي. طُوّر TensorFlow بواسطة فريق Google Brain، ويُستخدم على نطاق واسع في العديد من المشاريع البحثية والتطبيقات الصناعية. تُقدّم هذه المقالة دليلاً تفصيلياً خطوة بخطوة لمساعدتك، كمبتدئ، على البدء باستخدام TensorFlow.
1. فهم أساسيات TensorFlow
Sebelum kita memulai instalasi dan penggunaan TensorFlow, penting untuk memahami apa itu TensorFlow dan konsep dasar di baliknya. TensorFlow adalah kerangka kerja open-source untuk komputasi numerik dan آلة التعلم. Ia menggunakan grafik aliran data (data flow graphs) untuk melakukan operasi numerik, di mana node dalam grafik mewakili operasi matematika, dan tepi (edges) mewakili array data multidimensi (tensor) yang dihubungkan di antara mereka.
2. تثبيت TensorFlow
الخطوة الأولى لاستخدام TensorFlow هي تثبيته. إليك كيفية تثبيت TensorFlow باستخدام pip، مدير حزم بايثون.
1. Instalasi Python:
تأكد من تثبيت بايثون على جهازك. يتوافق TensorFlow مع إصدارات بايثون من 3.6 إلى 3.9 وقت كتابة هذا النص. يمكنك تنزيل بايثون من موقع بايثون الرسمي.
2. Virtual Environment:
يوصى بشدة بإنشاء بيئة افتراضية لعزل مشروع TensorFlow الخاص بك:
"ش
بايثون -m venv myenv
source myenv/bin/activate Untuk pengguna Mac/Linux
myenv\Scripts\activate Untuk pengguna Windows
"`
3. Instalasi TensorFlow:
الآن، قم بتثبيت TensorFlow باستخدام pip:
"ش
نقطة تثبيت tensorflow
"`
3. تطبيق "مرحباً بالعالم" باستخدام TensorFlow
بعد تثبيت TensorFlow، لننشئ برنامج بايثون بسيطًا للتحقق من التثبيت. أنشئ ملف بايثون جديدًا وسمّه `hello_tensorflow.py`.
"الثعبان
استيراد tensorflow مثل tf
إنشاء ثابت
hello = tf.constant('Hello, TensorFlow!')
بدء الجلسة
مع tf.Session() كـ sess:
result = sess.run(hello)
طباعة (نتيجة)
"`
قم بتعديل الكود وفقًا لإصدار TensorFlow 2.x:
"الثعبان
استيراد tensorflow مثل tf
إنشاء ثابت
hello = tf.constant('Hello, TensorFlow!')
تشغيل باستخدام التنفيذ الفوري (مفعل افتراضياً)
print(hello.numpy())
"`
احفظ الملف، ثم قم بتشغيله:
"ش
python hello_tensorflow.py
"`
4. فهم الموترات والعمليات الأساسية
تُعدّ الموترات بنية البيانات الأساسية في TensorFlow، وهي عبارة عن مصفوفات متعددة الأبعاد. إليك بعض الأمثلة التي تساعدك على فهم الموترات:
"الثعبان
استيراد tensorflow مثل tf
إنشاء الموترات
scalar = tf.constant(7) scalar
vector = tf.constant([1, 2, 3]) vector
matrix = tf.constant([[1, 2], [3, 4]]) matrix
tensor3d = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) 3D tensor
print(f'Scalar: {scalar}')
print(f'Vector: {vector}')
print(f'Matrix: {matrix}')
print(f'Tensor 3D: {tensor3d}')
"`
لإجراء العمليات الأساسية على الموترات:
"الثعبان
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
عملية جمع
add = tf.add(a, b)
عمليات ضرب المصفوفات
mul = tf.matmul(a, b)
print(f'الإضافة: {add}')
print(f'عملية ضرب المصفوفات: {mul}')
"`
5. إنشاء نموذج شبكة عصبية بسيط
الخطوة التالية هي إنشاء نموذج شبكة عصبية بسيط. سنبني نموذجًا لتصنيف الصور باستخدام مجموعة بيانات MNIST، وهي قاعدة بيانات لصور الأرقام المكتوبة بخط اليد. هيا بنا نبدأ:
"الثعبان
استيراد tensorflow مثل tf
من Tensorflow.keras قم باستيراد مجموعات البيانات والطبقات والنماذج
تنزيل مجموعة بيانات MNIST
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
تطبيع الصورة
صور القطار، صور الاختبار = صور القطار / 255.0، صور الاختبار / 255.0
صنع نموذج
النموذج = النماذج.متسلسل([
layers.Flatten(input_shape=(28, 28)),
طبقات كثيفة (128، التنشيط='relu')،
طبقات كثيفة(10)
])
تجميع النموذج
نموذج التجميع (المحسن='آدم'،
الخسارة=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)،
المقاييس=['الدقة'])
تدريب النموذج
نموذج.fit(صور القطار، تسميات القطار، العصور=5)
اختبار النموذج
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'دقة الاختبار: {test_acc}')
"`
توضيح:
– Datasets: Kami mengimpor dan memuat dataset MNIST.
– Preprocessing: Dataset normalisasi dengan membagi nilai pixel dengan 255.
– Model: Kami mendefinisikan model sederhana dengan dua lapisan. Lapisan pertama adalah `Flatten` untuk mengubah gambar 2D menjadi array 1D. Lapisan kedua adalah `Dense` layer dengan 128 neuron dan `relu` sebagai fungsi aktivasi, dan yang terakhir `Dense` layer dengan 10 neuron mewakili 10 kelas.
– Compile: Kami mengkompilasi model menggunakan optimizer `adam` dan `SparseCategoricalCrossentropy` sebagai fungsi kerugian.
– Train: Melatih model selama 5 epoch.
– Evaluate: Mengevaluasi model terhadap data uji.
6. حفظ وتحميل النماذج
بعد تدريب النموذج، قد ترغب في حفظه لاستخدامه لاحقًا دون الحاجة إلى إعادة تدريبه. إليك كيفية حفظ النموذج وتحميله:
"الثعبان
حفظ النموذج
model.save('my_model.h5')
تحميل النموذج
new_model = tf.keras.models.load_model('my_model.h5')
التحقق من النموذج المحمّل
loss, acc = new_model.evaluate(test_images, test_labels)
print(f'دقة النموذج المحمّل: {acc}')
"`
استنتاج
Panduan ini memberikan pengantar mendetail untuk memulai dengan TensorFlow untuk pemula. Kami telah membahas instalasi, operasi tensor dasar, dan pembuatan model neural network sederhana menggunakan dataset MNIST. TensorFlow menawarkan banyak kemampuan lebih lanjut yang bisa dieksplorasi, seperti معالجة البيانات yang lebih lanjut, model yang lebih kompleks, dan penggunaan TensorFlow di berbagai perangkat seperti TPU dan GPU. Semoga tutorial ini membantumu memulai perjalanan dalam dunia آلة التعلم dengan TensorFlow.
