Упатство за TensorFlow за почетници
TensorFlow е еден од најпопуларните рамки за длабинско учење и машинско учење. Развиен од тимот на Google Brain, TensorFlow е широко користен во бројни истражувачки проекти и индустриски апликации. Оваа статија нуди чекор-по-чекор упатство кое ќе ви помогне, како почетник, да започнете со TensorFlow.
1. Разбирање на основите на TensorFlow
Пред да започнеме со инсталирање и користење на TensorFlow, важно е да разбереме што е TensorFlow и основните концепти зад него. TensorFlow е рамка со отворен код за нумеричко пресметување и машинско учење. Користи графикони на проток на податоци за извршување на нумерички операции, каде што јазлите во графиконот претставуваат математички операции, а рабовите претставуваат повеќедимензионални низи од податоци (тензори) поврзани меѓу нив.
2. Инсталација на TensorFlow
Првиот чекор во користењето на TensorFlow е неговото инсталирање. Еве како да го инсталирате TensorFlow користејќи pip, менаџерот на пакети во Python.
1. Инсталација на Python:
Проверете дали имате инсталирано Python на вашиот систем. TensorFlow е компатибилен со Python 3.6 до 3.9 во времето на пишување на ова. Можете да го преземете Python од официјалната веб-страница на Python.
2. Виртуелна околина:
Препорачливо е да креирате виртуелна средина за да го изолирате вашиот TensorFlow проект:
„Шшш“
пајтон -м венв мјенв
source myenv/bin/activate За корисници на Mac/Linux
myenv\Scripts\activate За корисници на Windows
„„
3. Инсталација на TensorFlow:
Сега, инсталирајте го TensorFlow користејќи pip:
„Шшш“
Pip install tensorflow
„„
3. Здраво свете со TensorFlow
Сега кога TensorFlow е инсталиран, ајде да креираме едноставна Python скрипта за да ја потврдиме инсталацијата. Креирајте нова Python датотека и именувајте ја `hello_tensorflow.py`.
„Пајтон
увезете тензорфлук како tf
Креирај константа
здраво = tf.constant('Здраво, TensorFlow!')
Започни сесија
со tf.Session() како sess:
резултат = sess.run(здраво)
печатење (резултат)
„„
Прилагодете го кодот според TensorFlow верзија 2.x:
„Пајтон
увезете тензорфлук како tf
Креирај константа
здраво = tf.constant('Здраво, TensorFlow!')
Изврши со early execution (вклучено по стандард)
печатење(здраво.numpy())
„„
Зачувајте ја датотеката, а потоа стартувајте:
„Шшш“
пајтон hello_tensorflow.py
„„
4. Разбирање на тензорите и основните операции
Тензорите се примарна структура на податоци во TensorFlow, кои се повеќедимензионални низи. Еве неколку примери што ќе ви помогнат да ги разберете тензорите:
„Пајтон
увезете тензорфлук како tf
Создавање тензори
скалар = tf. константа(7) скалар
вектор = tf. константа([1, 2, 3]) вектор
матрица = tf. константа([[1, 2], [3, 4]]) матрица
tensor3d = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) 3Д тензор
печатење(f'Скалар: {скалар}')
печатење(f'Вектор: {вектор}')
печатење(f'Матрица: {матрица}')
печатење(f'Tensor 3D: {tensor3d}')
„„
За извршување на основни операции на тензори:
„Пајтон
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
Операција на собирање
додај = tf.додај(a, b)
Операции за множење на матрици
mul = tf.matmul(a, b)
печати(f'Додавање: {додаде}')
print(f'Множење на матрица: {mul}')
„„
5. Создавање едноставен модел на невронска мрежа
Следниот чекор е да се создаде едноставен модел на невронска мрежа. Ќе изградиме модел за класификација на слики користејќи го множеството податоци MNIST, база на податоци од рачно напишани слики од цифри. Да започнеме:
„Пајтон
увезете тензорфлук како tf
од tensorflow.keras увоз на бази на податоци, слоеви, модели
Преземање на базата на податоци на MNIST
(слики_на_воз, ознаки_на_воз), (слики_на_тест, ознаки_на_тест) = datasets.mnist.load_data()
Нормализација на сликата
слики_од_воз, тест_слики = слики_од_воз / 255.0, тест_слики / 255.0
Изработка на модел
модел = модели.Секвенцијален([
слоеви.Израмни(input_shape=(28, 28)),
слоеви.Денсе(128, активирање='релу'),
слоеви. Густи (10)
])
Компилација на модели
model.compile(optimizer='adam',
загуба = tf.keras.losses.SparseCategoricalCrossentropy (from_logits = True),
метрика=['прецизност'])
Обука на моделот
model.fit(train_images, train_labels, epochs=5)
Тестирање на моделот
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Точност на тестот: {test_acc}')
„„
Објаснување:
– Податоци: Го увезуваме и вчитуваме податочниот сет MNIST.
– Претпроцесирање: Нормализирајте го множеството податоци со делење на вредностите на пикселите со 255.
– Модел: Дефинираме едноставен модел со два слоја. Првиот слој е слој „Flatten“ за претворање на 2D сликата во 1D низа. Вториот слој е слој „Dense“ со 128 неврони и „relu“ како функција за активирање, а последниот е слој „Dense“ со 10 неврони што претставуваат 10 класи.
– Компилирање: Го компајлираме моделот користејќи го оптимизаторот `adam` и `SparseCategoricalCrossentropy` како функција на загуба.
– Обука: Обучете го моделот 5 епохи.
– Евалуација: Евалуација на моделот во однос на тест податоците.
6. Зачувување и вчитување на модели
Откако ќе го обучите моделот, можеби ќе сакате да го зачувате за подоцнежна употреба без да мора повторно да го обучувате. Еве како да зачувате и вчитате модел:
„Пајтон
Зачувување на моделот
модел.зачувај('мој_модел.h5')
Вчитување на моделот
нов_модел = tf.keras.models.load_model('мојот_модел.h5')
Потврдување на вчитаниот модел
загуба, acc = new_model.evaluate(test_images, test_labels)
print(f'Точност на вчитаниот модел: {acc}')
„„
Заклучок
Ова упатство дава детален вовед за почетници во користењето на TensorFlow. Опфативме инсталација, основни тензорски операции и градење едноставен модел на невронска мрежа користејќи го збирот на податоци MNIST. TensorFlow нуди многу напредни можности за истражување, како што се напредна обработка на податоци, посложени модели и користење на TensorFlow на уреди како TPU и GPU. Се надеваме дека ова упатство ќе ви помогне да започнете во светот на машинското учење со TensorFlow.
