TensorFlow Tutorial fir Ufänger
TensorFlow ass ee vun de populäersten Frameworks fir Deep Learning a Machine Learning. Entwéckelt vum Google Brain Team, gouf TensorFlow a ville Fuerschungsprojeten an industriellen Uwendungen wäit verbreet benotzt. Dësen Artikel bitt en Schrëtt-fir-Schrëtt Tutorial fir Iech als Ufänger ze hëllefen, mat TensorFlow unzefänken.
1. D'Grondlage vum TensorFlow verstoen
Ier mer ufänken TensorFlow z'installéieren an ze benotzen, ass et wichteg ze verstoen, wat TensorFlow ass an déi grondleeënd Konzepter, déi dohannert stinn. TensorFlow ass en Open-Source-Framework fir numeresch Berechnung a maschinellt Léieren. Et benotzt Datenflussgrafe fir numeresch Operatiounen auszeféieren, wou d'Knoten am Graf mathematesch Operatiounen duerstellen, an d'Kante multidimensional Datenarrays (Tensoren) duerstellen, déi tëscht hinne verbonne sinn.
2. TensorFlow Installatioun
Den éischte Schrëtt fir TensorFlow ze benotzen ass seng Installatioun. Hei ass wéi Dir TensorFlow mat Pip, dem Python Package Manager, installéiert.
1. Python Installatioun:
Vergewëssert Iech, datt Dir Python op Ärem System installéiert hutt. TensorFlow ass zum Zäitpunkt vun dësem Schreiwen mat Python 3.6 bis 3.9 kompatibel. Dir kënnt Python vun der offizieller Python Websäit eroflueden.
2. Virtuell Ëmfeld:
Et ass staark recommandéiert, eng virtuell Ëmfeld ze kreéieren fir Äert TensorFlow-Projet ze isoléieren:
„Sch
python -m venv myenv
Quellcode myenv/bin/activate Fir Mac/Linux Benotzer
myenv\Scripts\activate Fir Windows Benotzer
""
3. TensorFlow Installatioun:
Elo installéiert TensorFlow mat Pip:
„Sch
pip installéieren Tensorflow
""
3. Hallo Welt mat TensorFlow
Elo wou TensorFlow installéiert ass, kënne mir e einfache Python-Skript erstellen fir d'Installatioun ze verifizéieren. Erstellt eng nei Python-Datei a nennt se `hello_tensorflow.py`.
"Python
importéieren Tensorflow als tf
Eng Konstant erstellen
hallo = tf.constant('Hallo, TensorFlow!')
Sessioun starten
mat tf.Session() als sess:
Resultat = sess.run(Hallo)
Drécken (Resultat)
""
De Code no TensorFlow Versioun 2.x upassen:
"Python
importéieren Tensorflow als tf
Eng Konstant erstellen
hallo = tf.constant('Hallo, TensorFlow!')
Mat Eager Execution ausféieren (standardméisseg ugeschalt)
drécken(hello.numpy())
""
Späichert d'Datei a gitt dann aus:
„Sch
Python hello_tensorflow.py
""
4. Tensoren a Basisoperatiounen verstoen
Tensoren sinn déi primär Datenstruktur am TensorFlow, dat sinn multidimensional Arrays. Hei sinn e puer Beispiller fir Iech ze hëllefen Tensoren ze verstoen:
"Python
importéieren Tensorflow als tf
Tensoren erstellen
skalar = tf. konstant(7) skalar
Vektor = tf. konstant([1, 2, 3]) Vektor
Matrix = tf.konstant([[1, 2], [3, 4]]) Matrix
tensor3d = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) 3D-Tensor
drécken(f'Skalar: {skalar}')
drécken(f'Vektor: {Vektor}')
drécken(f'Matrix: {matrix}')
drécken(f'Tensor 3D: {tensor3d}')
""
Fir Basisoperatiounen op Tensoren auszeféieren:
"Python
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
Zousazoperatioun
add = tf.add(a, b)
Matrixmultiplikatiounsoperatiounen
mul = tf.matmul(a, b)
drécken(f'Zousätzlech: {add}')
print(f'Matrixmultiplikatioun: {mul}')
""
5. Erstelle vun engem einfache neuronalen Netzwierkmodell
Den nächste Schrëtt ass et, e einfacht neuronalt Netzwierkmodell ze kreéieren. Mir bauen e Bildklassifikatiounsmodell mat dem MNIST-Dataset op, enger Datebank mat handgeschriwwenen Zifferbiller. Loosst eis ufänken:
"Python
importéieren Tensorflow als tf
vun tensorflow.keras importéiert Datensätz, Schichten, Modeller
Den MNIST-Datensatz eroflueden
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
Bildnormaliséierung
Zuchbiller, Testbiller = Zuchbiller / 255.0, Testbiller / 255.0
E Modell maachen
modell = models.Sequential([
layers.Flatten(input_shape=(28, 28)),
layers.Dense(128, activation='relu'),
Schichten.Dense(10)
])
Modellkompilatioun
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['Genauegkeet'])
Modell trainéieren
model.fit(train_images, train_labels, epochs=5)
Test vum Modell
test_loss, test_acc = model.evaluate(test_images, test_labels)
drécken(f'Testgenauegkeet: {test_acc}')
""
Erklärung:
– Datensätz: Mir importéieren a lueden den MNIST-Datesaz.
– Virveraarbechtung: Normaliséierung vum Datesaz andeems d'Pixelwäerter duerch 255 gedeelt ginn.
– Modell: Mir definéieren e einfacht Modell mat zwou Schichten. Déi éischt Schicht ass eng „Flatten“-Schicht fir d'2D-Bild an en 1D-Array ëmzewandelen. Déi zweet Schicht ass eng „Dense“-Schicht mat 128 Neuronen an „relu“ als Aktivéierungsfunktioun, an déi lescht ass eng „Dense“-Schicht mat 10 Neuronen, déi 10 Klassen representéieren.
– Kompiléieren: Mir kompiléieren de Modell mat dem `adam` Optimiséierungsinstrument an `SparseCategoricalCrossentropy` als Verloschtfunktioun.
– Trainéieren: Trainéiert de Modell fir 5 Epochen.
– Evaluéieren: De Modell géint Testdaten evaluéieren.
6. Modeller späicheren an lueden
Nodeems Dir e Modell trainéiert hutt, kënnt Dir et fir spéider späicheren, ouni et nei trainéiere ze mussen. Hei ass, wéi Dir e Modell späichert a lued:
"Python
Späichere vum Modell
modell.späicheren('mäi_Modell.h5')
Modell gelueden
neit_Modell = tf.keras.models.load_model('my_model.h5')
Verifizéierung vum geluedene Modell
Verloscht, acc = new_model.evaluate(test_images, test_labels)
print(f'Genauegkeet vum geluedene Modell: {acc}')
""
Conclusioun
Dëse Guide bitt eng detailléiert Aféierung an d'Ufänger mat TensorFlow. Mir hunn d'Installatioun, d'Basis-Tensor-Operatiounen an den Opbau vun engem einfache neuronalen Netzwierkmodell mat dem MNIST-Datasaz behandelt. TensorFlow bitt vill fortgeschratt Funktiounen, wéi z. B. fortgeschratt Datenveraarbechtung, méi komplex Modeller an d'Benotzung vun TensorFlow op Apparater wéi TPUs an GPUs. Mir hoffen, dësen Tutorial hëlleft Iech, an der Welt vum maschinelle Léieren mat TensorFlow unzefänken.
