Výukový program TensorFlow pro začátečníky
TensorFlow je jeden z nejpopulárnějších frameworků pro hluboké a strojové učení. TensorFlow, vyvinutý týmem Google Brain, byl široce používán v řadě výzkumných projektů a průmyslových aplikací. Tento článek poskytuje podrobný návod, který vám, jako začátečníkovi, pomůže začít s TensorFlow.
1. Základy TensorFlow
Než začneme instalovat a používat TensorFlow, je důležité pochopit, co TensorFlow je a jaké jsou základní koncepty, které se za ním skrývají. TensorFlow je open-source framework pro numerické výpočty a strojové učení . Využívá grafy datových toků k provádění numerických operací, kde uzly v grafu představují matematické operace a hrany představují vícerozměrná datová pole (tenzory) propojená mezi nimi.
2. Instalace TensorFlow
Prvním krokem k používání TensorFlow je jeho instalace. Zde je návod, jak nainstalovat TensorFlow pomocí pip, správce balíčků Pythonu.
1. Instalace Pythonu:
Ujistěte se, že máte v systému nainstalovaný Python. TensorFlow je v době psaní tohoto textu kompatibilní s Pythonem 3.6 až 3.9. Python si můžete stáhnout z oficiálních webových stránek Pythonu.
2. Virtuální prostředí:
Důrazně se doporučuje vytvořit virtuální prostředí pro izolaci vašeho projektu TensorFlow:
"Sh
python -m venv myenv
zdroj myenv/bin/activate Pro uživatele Mac/Linuxu
myenv\Scripts\activate Pro uživatele Windows
"."
3. Instalace TensorFlow:
Nyní nainstalujte TensorFlow pomocí pipu:
"Sh
pip install tensorflow
"."
3. Ahoj světe s TensorFlow
Nyní, když je TensorFlow nainstalován, vytvořme jednoduchý skript v Pythonu pro ověření instalace. Vytvořte nový soubor v Pythonu a pojmenujte ho `hello_tensorflow.py`.
"Python."
import tensorflow jako tf
Vytvořte konstantu
ahoj = tf.constant('Ahoj, TensorFlow!')
Zahájit relaci
s tf.Session() jako sess:
výsledek = sess.run(ahoj)
tisknout (výsledek)
"."
Upravte kód podle TensorFlow verze 2.x:
"Python."
import tensorflow jako tf
Vytvořte konstantu
ahoj = tf.constant('Ahoj, TensorFlow!')
Spustit s využitím Eager Execution (ve výchozím nastavení zapnuto)
tisk(hello.numpy())
"."
Uložte soubor a poté spusťte:
"Sh
python hello_tensorflow.py
"."
4. Pochopení tenzorů a základních operací
Tenzory jsou primární datovou strukturou v TensorFlow a jsou to vícerozměrná pole. Zde je několik příkladů, které vám pomohou porozumět tenzorům:
"Python."
import tensorflow jako tf
Vytváření tenzorů
skalár = tf.konstanta(7) skalár
vektor = tf.konstanta([1, 2, 3]) vektor
matice = tf.constant([[1, 2], [3, 4]]) matice
tensor3d = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) 3D tenzor
print(f'Skalár: {skalár}')
print(f'Vektor: {vektor}')
print(f'Matice: {matice}')
print(f'Tensor 3D: {tensor3d}')
"."
Provedení základních operací s tenzory:
"Python."
a = tf.konstanta([[1, 2], [3, 4]])
b = tf.konstanta([[5, 6], [7, 8]])
Operace sčítání
sčítat = tf.sčítat(a, b)
Operace násobení matic
mul = tf.matmul(a, b)
print(f'Sčítání: {přidat}')
print(f'Násobení matic: {mul}')
"."
5. Vytvoření jednoduchého modelu neuronové sítě
Dalším krokem je vytvoření jednoduchého modelu neuronové sítě. Vytvoříme model klasifikace obrázků s využitím datové sady MNIST, což je databáze ručně psaných obrázků číslic. Začněme:
"Python."
import tensorflow jako tf
z tensorflow.keras import datových sad, vrstev, modelů
Stahování datové sady MNIST
(vlakové_obrázky, vlakové_štítky), (testovací_obrázky, testovací_štítky) = datasets.mnist.load_data()
Normalizace obrazu
vlakové_obrázky, testovací_obrázky = vlakové_obrázky / 255.0, testovací_obrázky / 255.0
Výroba modelu
model = modely.Sekvenční([
vrstvy.Zploštit(vstupní_tvar=(28, 28)),
vrstvy.Hustý(128, aktivace='relu'),
vrstvy.Husté(10)
])
Kompilace modelu
model.compile(optimizer='adam',
ztráta=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
Trénování modelu
model.fit(obrázky_vlaků, popisky_vlaků, epochy=5)
Testování modelu
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Přesnost testu: {test_acc}')
"."
Vysvětlení:
– Datové sady: Importujeme a načítáme datovou sadu MNIST.
– Předzpracování: Normalizovat datovou sadu vydělením hodnot pixelů číslem 255.
– Model: Definujeme jednoduchý model se dvěma vrstvami. První vrstva je vrstva „Flatten“ pro převod 2D obrazu do 1D pole. Druhá vrstva je vrstva „Dense“ se 128 neurony a aktivační funkcí „relu“ a poslední je vrstva „Dense“ s 10 neurony reprezentujícími 10 tříd.
– Kompilace: Model zkompilujeme s použitím optimalizátoru `adam` a `SparseCategoricalCrossentropy` jako ztrátové funkce.
– Trénování: Trénování modelu po dobu 5 epoch.
– Vyhodnotit: Vyhodnoťte model oproti testovacím datům.
6. Ukládání a načítání modelů
Po trénování modelu si jej můžete uložit pro pozdější použití, aniž byste ho museli znovu trénovat. Zde je návod, jak model uložit a načíst:
"Python."
Uložení modelu
model.save('my_model.h5')
Načítání modelu
nový_model = tf.keras.models.load_model('my_model.h5')
Ověření načteného modelu
ztráta, acc = new_model.evaluate(test_images, test_labels)
print(f'Přesnost načteného modelu: {acc}')
"."
Závěr
Tato příručka poskytuje podrobný úvod do práce s TensorFlow pro začátečníky. Probrali jsme instalaci, základní operace s tenzory a vytvoření jednoduchého modelu neuronové sítě s využitím datové sady MNIST. TensorFlow nabízí mnoho pokročilých funkcí, jako je pokročilé zpracování dat , složitější modely a použití TensorFlow na zařízeních, jako jsou TPU a GPU. Doufáme, že vám tento tutoriál pomůže začít se světem strojového učení s TensorFlow.
