TensorFlow-opetusohjelma aloittelijoille
TensorFlow on yksi suosituimmista syväoppimisen ja koneoppimisen viitekehyksistä. Google Brain -tiimin kehittämää TensorFlow'ta on käytetty laajalti lukuisissa tutkimusprojekteissa ja teollisissa sovelluksissa. Tämä artikkeli tarjoaa vaiheittaisen oppaan, joka auttaa sinua aloittelijana pääsemään alkuun TensorFlow'n kanssa.
1. TensorFlow'n perusteiden ymmärtäminen
Ennen kuin aloitamme TensorFlow'n asentamisen ja käytön, on tärkeää ymmärtää, mikä TensorFlow on ja mitä perusperiaatteita se sisältää. TensorFlow on avoimen lähdekoodin numeerinen laskenta ja koneoppiminen. Se käyttää datavuograafeja numeeristen operaatioiden suorittamiseen, joissa graafin solmut edustavat matemaattisia operaatioita ja reunat edustavat niiden välillä yhdistettyjä moniulotteisia datamatriiseja (tensoreita).
2. TensorFlow-asennus
Ensimmäinen askel TensorFlow'n käytössä on sen asentaminen. Näin asennat TensorFlow'n käyttämällä pip:tä, Pythonin paketinhallintaohjelmaa.
1. Pythonin asennus:
Varmista, että Python on asennettu järjestelmääsi. TensorFlow on yhteensopiva Python 3.6:n ja 3.9:n kanssa kirjoitushetkellä. Voit ladata Pythonin Pythonin viralliselta verkkosivustolta.
2. Virtuaaliympäristö:
On erittäin suositeltavaa luoda virtuaaliympäristö TensorFlow-projektisi eristämiseksi:
"`sh
python -m venv myenv
lähde myenv/bin/activate Mac-/Linux-käyttäjille
myenv\Scripts\activate Windows-käyttäjille
”`
3. TensorFlow-asennus:
Asenna nyt TensorFlow pip-komennolla:
"`sh
pip install tensorflow
”`
3. Tervetuloa maailmaan TensorFlow'n avulla
Nyt kun TensorFlow on asennettu, luodaan yksinkertainen Python-skripti asennuksen varmistamiseksi. Luo uusi Python-tiedosto ja nimeä se `hello_tensorflow.py`.
"" Python
tuo tensorflow tf: nä
Luo vakio
hello = tf.constant('Hei, TensorFlow!')
Aloita istunto
jossa tf.Session() on sess:
tulos = sess.run(hello)
tulosta (tulos)
”`
Muokkaa koodia TensorFlow'n version 2.x mukaisesti:
"" Python
tuo tensorflow tf: nä
Luo vakio
hello = tf.constant('Hei, TensorFlow!')
Suorita käyttämällä innokasta suoritusta (oletusarvoisesti käytössä)
tulosta(hello.numpy())
”`
Tallenna tiedosto ja suorita sitten:
"`sh
python hello_tensorflow.py
”`
4. Tensorien ja peruslaskutoimitusten ymmärtäminen
Tensorit ovat TensorFlow'n ensisijainen tietorakenne, joka on moniulotteinen taulukko. Tässä on joitakin esimerkkejä tensorien ymmärtämiseksi:
"" Python
tuo tensorflow tf: nä
Tensorien luominen
skalaari = tf. constant(7) skalaari
vektori = tf. constant([1, 2, 3]) vektori
matriisi = tf. constant([[1, 2], [3, 4]]) matriisi
tensor3d = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) 3D-tensori
tulosta(f'Skalaari: {skalaari}')
tulosta(f'Vektori: {vektori}')
print(f'Matriisi: {matriisi}')
tulosta(f'Tensor 3D: {tensor3d}')
”`
Peruslaskutoimitusten suorittaminen tensoreilla:
"" Python
a = tf.vakio([[1, 2], [3, 4]])
b = tf.vakio([[5, 6], [7, 8]])
Yhteenlasku
lisää = tf.lisää(a, b)
Matriisin kertolaskutoimitukset
mul = tf.matmul(a, b)
print(f'Yhteenlasku: {lisää}')
print(f'Matriisin kertolasku: {mul}')
”`
5. Yksinkertaisen neuroverkkomallin luominen
Seuraava vaihe on luoda yksinkertainen neuroverkkomalli. Rakennamme kuvien luokittelumallin käyttämällä MNIST-tietokantaa, joka on käsin kirjoitettujen digitaalisten kuvien tietokanta. Aloitetaan:
"" Python
tuo tensorflow tf: nä
tensorflow.kerasista tuodaan datasettejä, kerroksia ja malleja
MNIST-aineiston lataaminen
(junan_kuvat, junan_tunnisteet), (testikuvat, testitunnisteet) = datasets.mnist.load_data()
Kuvan normalisointi
junan_kuvat, testikuvat = junan_kuvat / 255.0, testikuvat / 255.0
Mallin tekeminen
malli = mallit.Sequential([
kerrokset.Litistä(input_muoto=(28, 28)),
layers.Dense(128, activation='relu'),
kerrokset.Tiheä(10)
])
Mallin kokoaminen
model.compile(optimizer='adam',
tappio=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['tarkkuus'])
Mallin kouluttaminen
model.fit(junan_kuvat, junan_tunnisteet, aikakaudet=5)
Mallin testaaminen
testihäviö, testi_lisäys = malli.evaluoi(testikuvat, testitunnisteet)
print(f'Testin tarkkuus: {test_acc}')
”`
Selitys:
– Aineistot: Tuomme ja lataamme MNIST-aineiston.
– Esikäsittely: Normalisoi tietojoukko jakamalla pikseliarvot 255:llä.
– Malli: Määrittelemme yksinkertaisen mallin, jossa on kaksi kerrosta. Ensimmäinen kerros on `Flatten`-kerros, joka muuntaa 2D-kuvan 1D-matriisiksi. Toinen kerros on `Dense`-kerros, jossa on 128 neuronia ja `relu` aktivointifunktiona, ja viimeinen on `Dense`-kerros, jossa on 10 neuronia, jotka edustavat 10 luokkaa.
– Käännös: Käännämme mallin käyttämällä `adam`-optimointia ja `SparseCategoricalCrossentropy`-funktiota häviöfunktiona.
– Koulutus: Kouluta mallia viiden aikakauden ajan.
– Arvioi: Arvioi mallia testidataa vasten.
6. Mallien tallentaminen ja lataaminen
Mallin kouluttamisen jälkeen voit halutessasi tallentaa sen myöhempää käyttöä varten ilman, että sitä tarvitsee kouluttaa uudelleen. Näin tallennat ja lataat mallin:
"" Python
Mallin tallentaminen
malli.tallenna('oma_malli.h5')
Mallin lataus
new_model = tf.keras.models.load_model('oma_malli.h5')
Ladatun mallin varmentaminen
tappio, acc = new_model.evaluate(testikuvat, testitunnisteet)
print(f'Ladatun mallin tarkkuus: {acc}')
”`
Johtopäätös
Tämä opas tarjoaa yksityiskohtaisen johdannon TensorFlow'n käytön aloittamiseen aloittelijoille. Olemme käsitelleet asennuksen, tensorien perusoperaatiot ja yksinkertaisen neuroverkkomallin rakentamisen MNIST-tietojoukon avulla. TensorFlow tarjoaa monia edistyneitä ominaisuuksia, kuten edistyneen datankäsittelyn, monimutkaisempia malleja ja TensorFlow'n käytön laitteilla, kuten TPU:illa ja GPU:illa. Toivomme, että tämä opetusohjelma auttaa sinua pääsemään alkuun koneoppimisen maailmassa TensorFlow'n avulla.
