TensorFlow kennsla fyrir byrjendur
TensorFlow er eitt vinsælasta rammaverkið fyrir djúpnám og vélanám. TensorFlow var þróað af Google Brain teyminu og hefur verið mikið notað í fjölmörgum rannsóknarverkefnum og iðnaðarforritum. Þessi grein veitir skref-fyrir-skref leiðbeiningar til að hjálpa þér, sem byrjandi, að byrja með TensorFlow.
1. Að skilja grunnatriði TensorFlow
Áður en við byrjum að setja upp og nota TensorFlow er mikilvægt að skilja hvað TensorFlow er og grunnhugtökin á bak við það. TensorFlow er opinn hugbúnaðarrammi fyrir tölulegar útreikningar og vélanám. Það notar gagnaflæðisgröf til að framkvæma tölulegar aðgerðir, þar sem hnútar í grafinu tákna stærðfræðilegar aðgerðir og brúnir tákna fjölvíddar gagnaröð (tensora) sem tengjast á milli þeirra.
2. TensorFlow uppsetning
Fyrsta skrefið í notkun TensorFlow er að setja það upp. Svona seturðu TensorFlow upp með pip, pakkastjóranum fyrir Python.
1. Uppsetning á Python:
Gakktu úr skugga um að þú hafir Python uppsett á kerfinu þínu. TensorFlow er samhæft við Python 3.6 til 3.9 þegar þetta er skrifað. Þú getur sótt Python af opinberu Python vefsíðunni.
2. Sýndarumhverfi:
Það er mjög mælt með því að búa til sýndarumhverfi til að einangra TensorFlow verkefnið þitt:
„`sh
python -m venv myenv
Heimild myenv/bin/activate Fyrir Mac/Linux notendur
myenv\Scripts\activate Fyrir Windows notendur
„“
3. TensorFlow uppsetning:
Nú skaltu setja upp TensorFlow með pip:
„`sh
pip setja upp tensorflow
„“
3. Halló heimur með TensorFlow
Nú þegar TensorFlow er uppsett skulum við búa til einfalt Python forskrift til að staðfesta uppsetninguna. Búðu til nýja Python skrá og nefndu hana `hello_tensorflow.py`.
"` pýthon
flytja inn tensorflow sem tf
Búa til fasta
halló = tf.constant('Halló, TensorFlow!')
Hefja lotu
með tf.Session() sem sess:
niðurstaða = sess.run(halló)
prenta (niðurstaða)
„“
Aðlagaðu kóðann samkvæmt TensorFlow útgáfu 2.x:
"` pýthon
flytja inn tensorflow sem tf
Búa til fasta
halló = tf.constant('Halló, TensorFlow!')
Keyra með ákafri framkvæmd (sjálfgefið virkt)
prenta(halló.numpy())
„“
Vistaðu skrána og keyrðu síðan:
„`sh
python hello_tensorflow.py
„“
4. Að skilja tensora og grunnaðgerðir
Tensorar eru aðalgagnabyggingin í TensorFlow, sem eru fjölvíddar fylki. Hér eru nokkur dæmi til að hjálpa þér að skilja tensora:
"` pýthon
flytja inn tensorflow sem tf
Að búa til tensora
skalar = tf. fasti(7) skalar
vektor = tf. fasti([1, 2, 3]) vektor
fylki = tf. fasti([[1, 2], [3, 4]]) fylki
tensor3d = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) Þrívíddartensor
prenta(f'Skalar: {skalar}')
prenta(f'Vegur: {vektor}')
prenta(f'Fylki: {fylki}')
prenta(f'Tensor 3D: {tensor3d}')
„“
Til að framkvæma grunnaðgerðir á tensorum:
"` pýthon
a = tf.fasti([[1, 2], [3, 4]])
b = tf.fasti([[5, 6], [7, 8]])
Samlagningaraðgerð
bæta við = tf.bæta við(a, b)
Fylkismargföldunaraðgerðir
mul = tf.matmul(a, b)
prenta(f'Viðbót: {bæta við}')
prenta(f'Fylkismargföldun: {mul}')
„“
5. Að búa til einfalda tauganetslíkan
Næsta skref er að búa til einfalt tauganetlíkan. Við munum smíða myndflokkunarlíkan með því að nota MNIST gagnasafnið, gagnagrunn með handskrifuðum myndum af tölustöfum. Byrjum:
"` pýthon
flytja inn tensorflow sem tf
frá tensorflow.keras flytja inn gagnasöfn, lög, líkön
Að sækja MNIST gagnasafn
(lestmyndir, lestmerki), (prófunarmyndir, prófunarmerki) = datasets.mnist.load_data()
Myndstöðlun
lestarmyndir, prófunarmyndir = lestarmyndir / 255.0, prófunarmyndir / 255.0
Að búa til líkan
líkan = models.Sesential([
lag.Fletta(inntaksform=(28, 28)),
layers.Dense(128, activation='relu'),
lög.Þétt(10)
])
Líkanasamsetning
model.compile(fínstilling = 'adam',
tap = tf.keras.tap.SparseCategoricalCrossentropy (from_logits = True),
mælikvarði = ['nákvæmni'])
Þjálfun líkansins
model.fit(lestmyndir, lestmerki, tímabil=5)
Að prófa líkanið
prófunartap, prófunarakk = model.evaluate(prófunarmyndir, prófunarmerki)
prenta(f'Nákvæmni prófunar: {prófunarauðkenni}')
„“
Skýring:
– Gagnasöfn: Við flytjum inn og hleðjum inn MNIST gagnasafninu.
– Forvinnsla: Staðla gagnasafnið með því að deila pixlagildum með 255.
– Líkan: Við skilgreinum einfalt líkan með tveimur lögum. Fyrsta lagið er „Flatten“ lag til að breyta 2D myndinni í 1D fylki. Annað lagið er „Dense“ lag með 128 taugafrumum og „relu“ sem virkjunarfalli, og það síðasta er „Dense“ lag með 10 taugafrumum sem tákna 10 flokka.
– Þýða: Við þýðum líkanið með því að nota `adam` fínstillinguna og `SparseCategoricalCrossentropy` sem tapsfall.
– Þjálfa: Þjálfaðu líkanið í 5 tímabil.
– Meta: Meta líkanið út frá prófunargögnum.
6. Vista og hlaða líkönum
Eftir að þú hefur þjálfað líkan gætirðu viljað vista það til síðari nota án þess að þurfa að þjálfa það upp á nýtt. Svona vistarðu og hleður inn líkan:
"` pýthon
Að vista líkanið
model.save('my_model.h5')
Hleður líkan
nýtt_líkan = tf.keras.líkön.hlaða_líkani('mín_líkan.h5')
Staðfesting á hlaðnu líkani
tap, acc = new_model.evaluate(prófunarmyndir, prófunarmerki)
print(f'Nákvæmni hlaðins líkans: {acc}')
„“
Niðurstaða
Þessi handbók veitir ítarlega kynningu á því hvernig byrjendur geta byrjað með TensorFlow. Við höfum fjallað um uppsetningu, grunn tensoraðgerðir og smíði einfaldrar tauganetslíkans með því að nota MNIST gagnasafnið. TensorFlow býður upp á marga háþróaða eiginleika til að skoða, svo sem háþróaða gagnavinnslu, flóknari líkön og notkun TensorFlow á tækjum eins og TPU og GPU. Við vonum að þessi kennsla hjálpi þér að byrja í heimi vélanáms með TensorFlow.
