ບົດແນະນຳການໃຊ້ TensorFlow ສຳລັບຜູ້ເລີ່ມຕົ້ນ
TensorFlow ແມ່ນໜຶ່ງໃນເຟຣມເວີກທີ່ໄດ້ຮັບຄວາມນິຍົມຫຼາຍທີ່ສຸດສຳລັບການຮຽນຮູ້ເລິກ ແລະ ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ. ພັດທະນາໂດຍທີມງານ Google Brain, TensorFlow ໄດ້ຖືກນຳໃຊ້ຢ່າງກວ້າງຂວາງໃນໂຄງການຄົ້ນຄວ້າ ແລະ ການນຳໃຊ້ໃນອຸດສາຫະກຳຈຳນວນຫຼາຍ. ບົດຄວາມນີ້ໃຫ້ຄຳແນະນຳແບບເທື່ອລະຂັ້ນຕອນເພື່ອຊ່ວຍທ່ານ, ໃນຖານະຜູ້ເລີ່ມຕົ້ນ, ເລີ່ມຕົ້ນໃຊ້ TensorFlow.
1. ເຂົ້າໃຈພື້ນຖານ TensorFlow
ກ່ອນທີ່ພວກເຮົາຈະເລີ່ມຕິດຕັ້ງ ແລະ ນຳໃຊ້ TensorFlow, ມັນເປັນສິ່ງສຳຄັນທີ່ຈະຕ້ອງເຂົ້າໃຈວ່າ TensorFlow ແມ່ນຫຍັງ ແລະ ແນວຄວາມຄິດພື້ນຖານທີ່ຢູ່ເບື້ອງຫຼັງມັນ. TensorFlow ເປັນ framework ແຫຼ່ງເປີດສຳລັບການຄຳນວນຕົວເລກ ແລະ ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ. ມັນໃຊ້ກຣາຟການໄຫຼຂອງຂໍ້ມູນເພື່ອປະຕິບັດການທາງຕົວເລກ, ບ່ອນທີ່ໂຫນດໃນກຣາຟເປັນຕົວແທນການດຳເນີນງານທາງຄະນິດສາດ, ແລະ ຂອບເປັນຕົວແທນອາເຣຂໍ້ມູນຫຼາຍມິຕິ (tensor) ທີ່ເຊື່ອມຕໍ່ລະຫວ່າງພວກມັນ.
2. ການຕິດຕັ້ງ TensorFlow
ຂັ້ນຕອນທຳອິດໃນການໃຊ້ TensorFlow ແມ່ນການຕິດຕັ້ງມັນ. ນີ້ແມ່ນວິທີການຕິດຕັ້ງ TensorFlow ໂດຍໃຊ້ pip, ຕົວຈັດການແພັກເກດ Python.
1. ການຕິດຕັ້ງ Python:
ໃຫ້ແນ່ໃຈວ່າທ່ານໄດ້ຕິດຕັ້ງ Python ໄວ້ໃນລະບົບຂອງທ່ານແລ້ວ. TensorFlow ສາມາດໃຊ້ງານໄດ້ກັບ Python 3.6 ຫາ 3.9 ໃນເວລາຂຽນບົດຄວາມນີ້. ທ່ານສາມາດດາວໂຫຼດ Python ໄດ້ຈາກເວັບໄຊທ໌ທາງການຂອງ Python.
2. ສະພາບແວດລ້ອມສະເໝືອນ:
ຂໍແນະນຳໃຫ້ສ້າງສະພາບແວດລ້ອມເສມືນເພື່ອແຍກໂຄງການ TensorFlow ຂອງທ່ານ:
"`ຊ
python -m venv myenv
ສຳລັບຜູ້ໃຊ້ Mac/Linux
ສຳລັບຜູ້ໃຊ້ Windows
“ `
3. ການຕິດຕັ້ງ TensorFlow:
ຕອນນີ້, ຕິດຕັ້ງ TensorFlow ໂດຍໃຊ້ pip:
"`ຊ
pip ຕິດຕັ້ງ tensorflow
“ `
3. ສະບາຍດີຊາວໂລກກັບ TensorFlow
ຕອນນີ້ TensorFlow ໄດ້ຖືກຕິດຕັ້ງແລ້ວ, ໃຫ້ສ້າງສະຄຣິບ Python ງ່າຍໆເພື່ອກວດສອບການຕິດຕັ້ງ. ສ້າງໄຟລ໌ Python ໃໝ່ ແລະຕັ້ງຊື່ມັນວ່າ `hello_tensorflow.py`.
“` python
ນໍາເຂົ້າ tensorflow ເປັນ tf
ສ້າງຄ່າຄົງທີ່
ສະບາຍດີ = tf.constant('ສະບາຍດີ, TensorFlow!')
ເລີ່ມກອງປະຊຸມ
ດ້ວຍ tf.Session() ເປັນ sess:
result = sess.run(ສະບາຍດີ)
ພິມ(ຜົນ)
“ `
ປັບລະຫັດຕາມ TensorFlow ເວີຊັນ 2.x:
“` python
ນໍາເຂົ້າ tensorflow ເປັນ tf
ສ້າງຄ່າຄົງທີ່
ສະບາຍດີ = tf.constant('ສະບາຍດີ, TensorFlow!')
ດໍາເນີນການໂດຍໃຊ້ການປະຕິບັດແບບກະຕືລືລົ້ນ (ເປີດໂດຍຄ່າເລີ່ມຕົ້ນ)
ພິມ (hello.numpy())
“ `
ບັນທຶກໄຟລ໌, ຈາກນັ້ນດໍາເນີນການ:
"`ຊ
python hello_tensorflow.py
“ `
4. ເຂົ້າໃຈ Tensors ແລະ ການດຳເນີນງານພື້ນຖານ
ເທັນຊໍ (Tensor) ແມ່ນໂຄງສ້າງຂໍ້ມູນຫຼັກໃນ TensorFlow, ເຊິ່ງເປັນອາເຣຫຼາຍມິຕິ. ນີ້ແມ່ນຕົວຢ່າງບາງຢ່າງເພື່ອຊ່ວຍໃຫ້ທ່ານເຂົ້າໃຈເທັນຊໍ:
“` python
ນໍາເຂົ້າ tensorflow ເປັນ tf
ການສ້າງເທັນເຊີ
ສະເກລາ = tf. ຄ່າຄົງທີ່(7) ສະເກລາ
ເວັກເຕີ = tf. ຄ່າຄົງທີ່([1, 2, 3]) ເວັກເຕີ
ມາຕຣິກສ໌ = tf. ຄ່າຄົງທີ່([[1, 2], [3, 4]]) ມາຕຣິກສ໌
tensor3d = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) tensor 3D
ພິມ(f'Scalar: {scalar}')
ພິມ (f'ເວັກເຕີ: {ເວັກເຕີ}')
ພິມ (f'ມາຕຣິກ: {ມາຕຣິກ}')
ພິມ (ສຳລັບ'Tensor 3D: {tensor3d}')
“ `
ເພື່ອປະຕິບັດການພື້ນຖານກ່ຽວກັບ tensors:
“` python
a = tf.ຄ່າຄົງທີ່([[1, 2], [3, 4]])
b = tf.ຄ່າຄົງທີ່([[5, 6], [7, 8]])
ການດຳເນີນການບວກ
ບວກ = tf.ເພີ່ມ(a, b)
ການດຳເນີນການຄູນແມັດຕຣິກ
mul = tf.matmul(a, b)
ພິມ (f'ການບວກ: {ເພີ່ມ}')
print(f'ການຄູນແມັດຕຣິກ: {mul}')
“ `
5. ການສ້າງຮູບແບບເຄືອຂ່າຍປະສາດແບບງ່າຍໆ
ຂັ້ນຕອນຕໍ່ໄປແມ່ນການສ້າງຮູບແບບເຄືອຂ່າຍປະສາດແບບງ່າຍໆ. ພວກເຮົາຈະສ້າງຮູບແບບການຈັດປະເພດຮູບພາບໂດຍໃຊ້ຊຸດຂໍ້ມູນ MNIST, ຖານຂໍ້ມູນຂອງຮູບພາບຕົວເລກທີ່ຂຽນດ້ວຍມື. ເລີ່ມຕົ້ນກັນເລີຍ:
“` python
ນໍາເຂົ້າ tensorflow ເປັນ tf
ນຳເຂົ້າຊຸດຂໍ້ມູນ, ຊັ້ນຂໍ້ມູນ, ຮູບແບບຕ່າງໆ ຈາກ tensorflow.keras
ດາວໂຫລດຊຸດຂໍ້ມູນ MNIST
(ຮູບພາບລົດໄຟ, ປ້າຍລົດໄຟ), (ຮູບພາບການທົດສອບ, ປ້າຍການທົດສອບ) = datasets.mnist.load_data()
ການປັບຮູບພາບໃຫ້ເປັນປົກກະຕິ
ຮູບພາບລົດໄຟ, ຮູບພາບການທົດສອບ = ຮູບພາບລົດໄຟ / 255.0, ຮູບພາບການທົດສອບ / 255.0
ການສ້າງແບບຈຳລອງ
ຮູບແບບ = ຮູບແບບຕ່າງໆ.ຕາມລຳດັບ([
ຊັ້ນຕ່າງໆ. ເຮັດໃຫ້ແປ (input_shape=(28, 28)),
layers.Dense(128, activation='relu'),
ຊັ້ນ.ຫນາ (10)
])
ການລວບລວມຮູບແບບ
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['ຄວາມຖືກຕ້ອງ'])
ການຝຶກຊ້ອມຮູບແບບ
model.fit(train_images, train_labels, epochs=5)
ການທົດສອບຮູບແບບ
ການສູນເສຍການທົດສອບ, ບັນຊີການທົດສອບ = ການປະເມີນຮູບແບບ (ຮູບພາບການທົດສອບ, ປ້າຍກຳກັບການທົດສອບ)
ພິມ (f'ການທົດສອບຄວາມຖືກຕ້ອງ: {test_acc}')
“ `
ຄໍາອະທິບາຍ:
- ຊຸດຂໍ້ມູນ: ພວກເຮົານຳເຂົ້າ ແລະ ໂຫຼດຊຸດຂໍ້ມູນ MNIST.
- ການປະມວນຜົນກ່ອນ: ເຮັດໃຫ້ຊຸດຂໍ້ມູນເປັນປົກກະຕິໂດຍການແບ່ງຄ່າພິກເຊວດ້ວຍ 255.
– ຮູບແບບ: ພວກເຮົາກຳນົດຮູບແບບງ່າຍໆທີ່ມີສອງຊັ້ນ. ຊັ້ນທຳອິດແມ່ນຊັ້ນ `Flatten` ເພື່ອປ່ຽນຮູບພາບ 2D ເປັນອາເຣ 1D. ຊັ້ນທີສອງແມ່ນຊັ້ນ `Dense` ທີ່ມີ 128 ເຊວປະສາດ ແລະ `relu` ເປັນຟັງຊັນການກະຕຸ້ນ, ແລະ ຊັ້ນສຸດທ້າຍແມ່ນຊັ້ນ `Dense` ທີ່ມີ 10 ເຊວປະສາດທີ່ເປັນຕົວແທນ 10 ຊັ້ນ.
- ຄອມໄພລ໌: ພວກເຮົາຄອມໄພລ໌ຮູບແບບໂດຍໃຊ້ຕົວເພີ່ມປະສິດທິພາບ `adam` ແລະ `SparseCategoricalCrossentropy` ເປັນຟັງຊັນການສູນເສຍ.
- ຝຶກອົບຮົມ: ຝຶກອົບຮົມຮູບແບບເປັນເວລາ 5 ຍຸກ.
- ປະເມີນຜົນ: ປະເມີນຮູບແບບທຽບກັບຂໍ້ມູນການທົດສອບ.
6. ການບັນທຶກ ແລະ ການໂຫຼດຮູບແບບຕ່າງໆ
ຫຼັງຈາກຝຶກໂມເດວແລ້ວ, ທ່ານອາດຈະຕ້ອງການບັນທຶກມັນໄວ້ໃຊ້ໃນພາຍຫຼັງໂດຍບໍ່ຕ້ອງຝຶກມັນຄືນໃໝ່. ນີ້ແມ່ນວິທີການບັນທຶກ ແລະ ໂຫຼດໂມເດວ:
“` python
ກຳລັງບັນທຶກຮູບແບບ
ບັນທຶກຮູບແບບ ('ຮູບແບບ_ຂອງຂ້ອຍ.h5')
ກຳລັງໂຫຼດຮູບແບບ
ຮູບແບບ_ໃໝ່ = tf.keras.models.load_model('my_model.h5′)
ກຳລັງກວດສອບຮູບແບບທີ່ໂຫຼດແລ້ວ
ການສູນເສຍ, acc = new_model.evaluate(test_images, test_labels)
print(f'ຄວາມຖືກຕ້ອງຂອງຮູບແບບທີ່ໂຫຼດ: {acc}')
“ `
ສະຫຼຸບ
ຄູ່ມືນີ້ໃຫ້ການແນະນຳລະອຽດກ່ຽວກັບການເລີ່ມຕົ້ນດ້ວຍ TensorFlow ສຳລັບຜູ້ເລີ່ມຕົ້ນ. ພວກເຮົາໄດ້ກວມເອົາການຕິດຕັ້ງ, ການດຳເນີນງານ tensor ພື້ນຖານ, ແລະ ການສ້າງແບບຈຳລອງເຄືອຂ່າຍປະສາດແບບງ່າຍໆໂດຍໃຊ້ຊຸດຂໍ້ມູນ MNIST. TensorFlow ສະເໜີຄວາມສາມາດຂັ້ນສູງຫຼາຍຢ່າງໃຫ້ສຳຫຼວດ, ເຊັ່ນ: ການປະມວນຜົນຂໍ້ມູນຂັ້ນສູງ, ແບບຈຳລອງທີ່ສັບສົນຫຼາຍຂຶ້ນ, ແລະ ການໃຊ້ TensorFlow ໃນອຸປະກອນຕ່າງໆເຊັ່ນ TPU ແລະ GPU. ພວກເຮົາຫວັງວ່າບົດແນະນຳນີ້ຈະຊ່ວຍໃຫ້ທ່ານເລີ່ມຕົ້ນໃນໂລກຂອງການຮຽນຮູ້ຂອງເຄື່ອງຈັກດ້ວຍ TensorFlow.
