Tutorial di TensorFlow per principianti
TensorFlow è uno dei framework più popolari per il deep learning e il machine learning. Sviluppato dal team Google Brain, TensorFlow è stato ampiamente utilizzato in numerosi progetti di ricerca e applicazioni industriali. Questo articolo fornisce un tutorial passo passo per aiutarti, anche se sei un principiante, a muovere i primi passi con TensorFlow.
1. Comprendere le basi di TensorFlow
Prima di iniziare l'installazione e l'utilizzo di TensorFlow, è importante capire cos'è TensorFlow e i concetti di base che lo sottendono. TensorFlow è un framework open-source per il calcolo numerico e l'apprendimento automatico. Utilizza grafi di flusso di dati per eseguire operazioni numeriche, dove i nodi del grafo rappresentano operazioni matematiche e gli archi rappresentano array di dati multidimensionali (tensori) collegati tra loro.
2. Installazione di TensorFlow
Il primo passo per utilizzare TensorFlow è installarlo. Ecco come installare TensorFlow usando pip, il gestore di pacchetti Python.
1. Installazione di Python:
Assicurati di avere Python installato sul tuo sistema. Al momento della stesura di questo documento, TensorFlow è compatibile con le versioni di Python dalla 3.6 alla 3.9. Puoi scaricare Python dal sito web ufficiale di Python.
2. Ambiente virtuale:
Si raccomanda vivamente di creare un ambiente virtuale per isolare il progetto TensorFlow:
“'sh
python -m venv mioenv
source myenv/bin/activate Per utenti Mac/Linux
myenv\Scripts\activate Per gli utenti Windows
“`
3. Installazione di TensorFlow:
Ora, installa TensorFlow usando pip:
“'sh
pip installa tensorflow
“`
3. Hello World con TensorFlow
Ora che TensorFlow è installato, creiamo un semplice script Python per verificarne l'installazione. Crea un nuovo file Python e chiamalo `hello_tensorflow.py`.
“`Pitone
importa tensorflow come tf
Crea una costante
hello = tf.constant('Ciao, TensorFlow!')
Avvia sessione
con tf.Session() come sess:
risultato = sess.run(ciao)
stampa (risultato)
“`
Adatta il codice alla versione 2.x di TensorFlow:
“`Pitone
importa tensorflow come tf
Crea una costante
hello = tf.constant('Ciao, TensorFlow!')
Esegui con esecuzione immediata (attiva per impostazione predefinita)
print(hello.numpy())
“`
Salva il file, quindi eseguilo:
“'sh
python hello_tensorflow.py
“`
4. Comprensione dei tensori e delle operazioni di base
I tensori sono la struttura dati principale in TensorFlow e sono array multidimensionali. Ecco alcuni esempi per aiutarti a comprendere i tensori:
“`Pitone
importa tensorflow come tf
Creazione di tensori
scalare = tf. costante(7) scalare
vettore = tf. costante([1, 2, 3]) vettore
matrice = tf. costante([[1, 2], [3, 4]]) matrice
tensore3d = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) tensore 3D
print(f'Scala: {scalar}')
print(f'Vettore: {vector}')
print(f'Matrice: {matrix}')
print(f'Tensore 3D: {tensor3d}')
“`
Per eseguire operazioni di base sui tensori:
“`Pitone
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
Operazione di addizione
add = tf.add(a, b)
Operazioni di moltiplicazione di matrici
mul = tf.matmul(a, b)
print(f'Aggiunta: {add}')
print(f'Moltiplicazione di matrici: {mul}')
“`
5. Creazione di un semplice modello di rete neurale
Il passo successivo consiste nel creare un semplice modello di rete neurale. Costruiremo un modello di classificazione delle immagini utilizzando il dataset MNIST, un database di immagini di cifre scritte a mano. Iniziamo:
“`Pitone
importa tensorflow come tf
from tensorflow.keras import datasets, layers, models
Download del dataset MNIST
(immagini_di_addestramento, etichette_di_addestramento), (immagini_di_test, etichette_di_test) = datasets.mnist.load_data()
Normalizzazione dell'immagine
train_images, test_images = train_images / 255.0, test_images / 255.0
Realizzazione di un modello
modello = modelli.Sequenziale([
layer.Flatten(input_shape=(28, 28)),
strati.Dense(128, attivazione='relu'),
strati.Dense(10)
])
Compilazione del modello
modello.compile(ottimizzatore='adam',
perdita=tf.keras.perdite.SparseCategoricalCrossentropy(from_logits=True),
metriche=['accuratezza'])
Addestrare il modello
modello.adatta(immagini_di_addestramento, etichette_di_addestramento, epoche=5)
Test del modello
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Accuratezza del test: {test_acc}')
“`
Spiegazione:
– Set di dati: Importiamo e carichiamo il set di dati MNIST.
– Pre-elaborazione: normalizzare il dataset dividendo i valori dei pixel per 255.
– Modello: Definiamo un modello semplice con due strati. Il primo strato è uno strato `Flatten` per convertire l'immagine 2D in un array 1D. Il secondo strato è uno strato `Dense` con 128 neuroni e `relu` come funzione di attivazione, e l'ultimo è uno strato `Dense` con 10 neuroni che rappresentano 10 classi.
– Compilazione: Compiliamo il modello utilizzando l'ottimizzatore `adam` e `SparseCategoricalCrossentropy` come funzione di perdita.
– Addestramento: Addestra il modello per 5 epoche.
– Valutazione: Valutare il modello confrontandolo con i dati di test.
6. Salvataggio e caricamento dei modelli
Dopo aver addestrato un modello, potresti volerlo salvare per utilizzarlo in seguito senza doverlo riaddestrare. Ecco come salvare e caricare un modello:
“`Pitone
Salvataggio del modello
modello.salva('my_model.h5')
Modello di caricamento
nuovo_modello = tf.keras.models.load_model('my_model.h5')
Verifica del modello caricato
perdita, acc = nuovo_modello.valuta(immagini_di_test, etichette_di_test)
print(f'Accuratezza del modello caricato: {acc}')
“`
conclusione
Questa guida fornisce un'introduzione dettagliata a TensorFlow per principianti. Abbiamo trattato l'installazione, le operazioni di base sui tensori e la creazione di un semplice modello di rete neurale utilizzando il dataset MNIST. TensorFlow offre molte funzionalità avanzate da esplorare, come l'elaborazione avanzata dei dati, modelli più complessi e l'utilizzo di TensorFlow su dispositivi come TPU e GPU. Ci auguriamo che questo tutorial vi aiuti a muovere i primi passi nel mondo del machine learning con TensorFlow.
