Tutorial de TensorFlow per a principiants
TensorFlow és un dels frameworks més populars per a l'aprenentatge profund i l'aprenentatge automàtic. Desenvolupat per l'equip de Google Brain, TensorFlow s'ha utilitzat àmpliament en nombrosos projectes de recerca i aplicacions industrials. Aquest article proporciona un tutorial pas a pas per ajudar-vos, com a principiants, a començar a utilitzar TensorFlow.
1. Comprensió dels conceptes bàsics de TensorFlow
Abans de començar a instal·lar i utilitzar TensorFlow, és important entendre què és TensorFlow i els conceptes bàsics que hi ha al darrere. TensorFlow és un marc de treball de codi obert per a la computació numèrica i l'aprenentatge automàtic. Utilitza grafs de flux de dades per realitzar operacions numèriques, on els nodes del graf representen operacions matemàtiques i les arestes representen matrius de dades multidimensionals (tensors) connectades entre elles.
2. Instal·lació de TensorFlow
El primer pas per utilitzar TensorFlow és instal·lar-lo. A continuació s'explica com instal·lar TensorFlow mitjançant pip, el gestor de paquets de Python.
1. Instal·lació de Python:
Assegureu-vos que teniu Python instal·lat al vostre sistema. TensorFlow és compatible amb Python 3.6 a 3.9 en el moment d'escriure aquest article. Podeu descarregar Python des del lloc web oficial de Python.
2. Entorn virtual:
Es recomana crear un entorn virtual per aïllar el vostre projecte TensorFlow:
"`sh"
python -m venv myenv
source myenv/bin/activate Per a usuaris de Mac/Linux
myenv\Scripts\activate Per a usuaris de Windows
“
3. Instal·lació de TensorFlow:
Ara, instal·la TensorFlow amb pip:
"`sh"
pip instal·lar tensorflow
“
3. Hola món amb TensorFlow
Ara que TensorFlow està instal·lat, creem un script senzill de Python per verificar la instal·lació. Creeu un fitxer Python nou i anomeneu-lo `hello_tensorflow.py`.
"`pitó
importar tensorflow com a tf
Crea una constant
hola = tf.constant('Hola, TensorFlow!')
Inicia la sessió
amb tf.Session() com a sess:
resultat = sess.run(hola)
imprimir (resultat)
“
Adapteu el codi segons la versió 2.x de TensorFlow:
"`pitó
importar tensorflow com a tf
Crea una constant
hola = tf.constant('Hola, TensorFlow!')
Executar amb execució ràpida (activat per defecte)
imprimir(hola.numpy())
“
Desa el fitxer i després executa:
"`sh"
python hola_tensorflow.py
“
4. Comprensió dels tensors i les operacions bàsiques
Els tensors són l'estructura de dades principal de TensorFlow, que són matrius multidimensionals. Aquí teniu alguns exemples per ajudar-vos a entendre els tensors:
"`pitó
importar tensorflow com a tf
Creació de tensors
escalar = tf. constant(7) escalar
vector = tf. constant([1, 2, 3]) vector
matriu = tf. constant([[1, 2], [3, 4]]) matriu
tensor3d = tf.constant([[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) tensor 3D
imprimir(f'Escalar: {escalar}')
imprimir(f'Vector: {vector}')
imprimir(f'Matriu: {matriu}')
imprimir(f'Tensor 3D: {tensor3d}')
“
Per realitzar operacions bàsiques amb tensors:
"`pitó
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
Operació de suma
suma = tf.add(a, b)
Operacions de multiplicació de matrius
mul = tf.matmul(a, b)
print(f'Suma: {sum}')
imprimir(f'Multiplicació de matrius: {mul}')
“
5. Creació d'un model de xarxa neuronal simple
El següent pas és crear un model de xarxa neuronal simple. Construirem un model de classificació d'imatges utilitzant el conjunt de dades MNIST, una base de dades d'imatges de dígits escrits a mà. Comencem:
"`pitó
importar tensorflow com a tf
des de tensorflow.keras importa conjunts de dades, capes i models
Descàrrega del conjunt de dades MNIST
(imatges_tren, etiquetes_tren), (imatges_prova, etiquetes_prova) = conjunts_de_dades.mnist.carrega_dades()
Normalització d'imatges
imatges_tren, imatges_prova = imatges_tren / 255.0, imatges_prova / 255.0
Fent una maqueta
model = models.Seqüencial([
capes.Aplana(forma_d'entrada=(28, 28)),
layers.Dense(128, activation='relu'),
capes.Dens(10)
])
Compilació de models
model.compile(optimizer='adam',
pèrdua=tf.keras.pèrdues.EntropiaCrosadaCategòricaDispersa(de_logits=Cert),
mètriques=['exactitud'])
Entrenament del model
model.fit(train_images, train_labels, epochs=5)
Prova del model
pèrdua_de_prova, acc_de_prova = model.avaluar(imatges_de_prova, etiquetes_de_prova)
print(f'Precisió de la prova: {test_acc}')
“
Explicació:
– Conjunts de dades: Importem i carreguem el conjunt de dades MNIST.
– Preprocessament: Normalitzar el conjunt de dades dividint els valors dels píxels per 255.
– Model: Definim un model simple amb dues capes. La primera capa és una capa `Flatten` per convertir la imatge 2D en una matriu 1D. La segona capa és una capa `Densa` amb 128 neurones i `relu` com a funció d'activació, i l'última és una capa `Densa` amb 10 neurones que representen 10 classes.
– Compilació: Compilem el model utilitzant l'optimitzador `adam` i `SparseCategoricalCrossentropy` com a funció de pèrdua.
– Entrenament: Entrena el model durant 5 èpoques.
– Avaluar: Avaluar el model amb les dades de prova.
6. Desar i carregar models
Després d'entrenar un model, és possible que vulgueu desar-lo per utilitzar-lo més tard sense haver de tornar-lo a entrenar. A continuació s'explica com desar i carregar un model:
"`pitó
Desant el model
model.save('el_meu_model.h5')
Carregant el model
nou_model = tf.keras.models.carrega_model('el_meu_model.h5′)
Verificació del model carregat
pèrdua, acc = nou_model.avaluar(imatges_de_prova, etiquetes_de_prova)
print(f'Precisió del model carregat: {acc}')
“
Conclusió
Aquesta guia ofereix una introducció detallada per començar a utilitzar TensorFlow per a principiants. Hem tractat la instal·lació, les operacions bàsiques de tensor i la construcció d'un model de xarxa neuronal senzill utilitzant el conjunt de dades MNIST. TensorFlow ofereix moltes capacitats avançades per explorar, com ara el processament avançat de dades, models més complexos i l'ús de TensorFlow en dispositius com ara TPU i GPU. Esperem que aquest tutorial us ajudi a iniciar-vos en el món de l'aprenentatge automàtic amb TensorFlow.
