Анхан шатны хүмүүст зориулсан TensorFlow заавар
TensorFlow нь гүнзгий сургалт болон машин сургалтын хамгийн алдартай фрэймворкуудын нэг юм. Google Brain багийн боловсруулсан TensorFlow нь олон тооны судалгааны төсөл болон үйлдвэрлэлийн хэрэглээнд өргөн хэрэглэгддэг. Энэхүү нийтлэлд анхлан суралцагчийн хувьд TensorFlow-г ашиглаж эхлэхэд туслах алхам алхмаар зааварчилгаа өгсөн болно.
1. TensorFlow-ийн үндсийг ойлгох нь
TensorFlow-г суулгаж, ашиглаж эхлэхээсээ өмнө TensorFlow гэж юу болох, түүний ард байгаа үндсэн ойлголтуудыг ойлгох нь чухал юм. TensorFlow нь тоон тооцоолол болон машин сургалтын нээлттэй эхийн хүрээ юм. Энэ нь тоон үйлдлүүдийг гүйцэтгэхийн тулд өгөгдлийн урсгалын графикийг ашигладаг бөгөөд график дахь зангилаа нь математикийн үйлдлүүдийг, ирмэг нь тэдгээрийн хооронд холбогдсон олон хэмжээст өгөгдлийн массивуудыг (тензорууд) илэрхийлдэг.
2. TensorFlow суурилуулалт
TensorFlow ашиглах эхний алхам бол суулгах явдал юм. Python багц менежер болох pip ашиглан TensorFlow-г хэрхэн суулгах талаар энд харуулав.
1. Python суулгалт:
Систем дээрээ Python суулгасан эсэхээ шалгаарай. TensorFlow нь үүнийг бичиж байх үед Python 3.6-аас 3.9 хүртэлх хувилбаруудтай нийцтэй байна. Та Python-г албан ёсны Python вэбсайтаас татаж авах боломжтой.
2. Виртуал орчин:
TensorFlow төслөө тусгаарлах виртуал орчин үүсгэхийг зөвлөж байна:
“`ш
python -m venv myenv
Mac/Linux хэрэглэгчдэд зориулсан source myenv/bin/activate
myenv\Scripts\activate Windows хэрэглэгчдэд зориулсан
""
3. TensorFlow суурилуулалт:
Одоо TensorFlow-г pip ашиглан суулгана уу:
“`ш
pip суулгах tensorflow
""
3. TensorFlow-той Сайн уу Дэлхий
Одоо TensorFlow суулгагдсан тул суулгалтыг баталгаажуулахын тулд энгийн Python скрипт үүсгэе. Шинэ Python файл үүсгээд `hello_tensorflow.py` гэж нэрлэе.
"` питон
импортын тензор урсгалыг tf
Тогтмол үүсгэх
сайн уу = tf.constant('Сайн уу, TensorFlow!')
Хуралдааныг эхлүүлэх
tf.Session() функцийг сесс болгон ашиглавал:
үр дүн = sess.run(сайн уу)
хэвлэх (үр дүн)
""
TensorFlow хувилбар 2.x-ийн дагуу кодыг тохируулна уу:
"` питон
импортын тензор урсгалыг tf
Тогтмол үүсгэх
сайн уу = tf.constant('Сайн уу, TensorFlow!')
Хүссэн гүйцэтгэлийг ашиглан ажиллуулна уу (анхдагчаар асаалттай)
хэвлэх(hello.numpy())
""
Файлыг хадгалаад дараа нь ажиллуулна уу:
“`ш
python hello_tensorflow.py
""
4. Тензор ба үндсэн үйлдлүүдийг ойлгох нь
Тензорууд нь TensorFlow дахь олон хэмжээст массив болох анхдагч өгөгдлийн бүтэц юм. Тензоруудыг ойлгоход туслах зарим жишээг энд оруулав.
"` питон
импортын тензор урсгалыг tf
Тензор үүсгэх
скаляр = tf тогтмол(7) скаляр
вектор = tf тогтмол([1, 2, 3]) вектор
матриц = tf. тогтмол([[1, 2], [3, 4]]) матриц
tensor3d = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) 3 хэмжээст тензор
хэвлэх(f'Scalar: {scalar}')
хэвлэх(f'Вектор: {вектор}')
хэвлэх(f'Матриц: {матриц}')
хэвлэх(f'Tensor 3D: {tensor3d}')
""
Тензорууд дээр үндсэн үйлдлүүдийг гүйцэтгэхийн тулд:
"` питон
a = tf.тогтмол([[1, 2], [3, 4]])
b = tf.тогтмол([[5, 6], [7, 8]])
Нэмэх үйлдэл
нэмэх = tf.add(a, b)
Матрицын үржүүлэх үйлдлүүд
mul = tf.matmul(a, b)
хэвлэх(f'Нэмэлт: {нэмэх}')
print(f'Матрицын үржвэр: {mul}')
""
5. Энгийн мэдрэлийн сүлжээний загварыг бий болгох
Дараагийн алхам бол энгийн мэдрэлийн сүлжээний загвар үүсгэх явдал юм. Бид гараар бичсэн тоон зургийн мэдээллийн сан болох MNIST өгөгдлийн санг ашиглан зургийн ангиллын загварыг бүтээх болно. Эхлэцгээе:
"` питон
импортын тензор урсгалыг tf
tensorflow.keras-с өгөгдлийн багц, давхарга, загваруудыг импортлох
MNIST өгөгдлийн санг татаж авах
(зураг_сургалт, шошго_сургалт), (зураг_туршилт, шошго_сургалт) = өгөгдлийн багц.mnist.load_data()
Зургийн хэвийн байдал
галт тэрэгний_зураг, туршилтын_зураг = галт тэрэгний_зураг / 255.0, туршилтын_зураг / 255.0
Загвар хийх
загвар = загварууд.Дараалсан([
давхаргууд.Flatten(input_shape=(28, 28)),
давхарга.Нягт(128, идэвхжүүлэх='relu'),
давхаргууд. Нягт(10)
])
Загварын эмхэтгэл
model.compile(optimizer='adam',
алдагдал=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
хэмжүүр=['нарийвчлал'])
Загварыг сургах
загвар.fit(train_images, train_labels, epochs=5)
Загварыг турших
test_loss, test_acc = model.evaluate(test_images, test_labels)
хэвлэх(f'Тестийн нарийвчлал: {test_acc}')
""
Тайлбар:
– Өгөгдлийн багц: Бид MNIST өгөгдлийн багцыг импортлож, ачаална.
– Урьдчилан боловсруулалт: Пикселийн утгыг 255-д хувааж өгөгдлийн багцыг хэвийн болгох.
– Загвар: Бид хоёр давхаргатай энгийн загварыг тодорхойлдог. Эхний давхарга нь 2 хэмжээст зургийг 1 хэмжээст массив болгон хувиргах `Flatten` давхарга юм. Хоёр дахь давхарга нь 128 мэдрэлийн эсүүд болон идэвхжүүлэх функц болох `relu` бүхий `Nse` давхарга бөгөөд сүүлийнх нь 10 ангиллыг төлөөлсөн 10 мэдрэлийн эсүүд бүхий `Nse` давхарга юм.
– Эмхэтгэх: Бид загварыг `adam` оновчлогч болон `SparseCategoricalCrossentropy`-г алдагдлын функц болгон ашиглан эмхэтгэнэ.
– Сургалт: Загварыг 5 эрин үед сурга.
– Үнэлгээ: Загварыг туршилтын өгөгдөлтэй харьцуулан үнэл.
6. Хадгалах болон ачаалах загварууд
Загварыг сургасны дараа дахин сургах шаардлагагүйгээр дараа нь ашиглахаар хадгалахыг хүсч магадгүй юм. Загварыг хэрхэн хадгалах, ачаалах талаар энд дурдлаа:
"` питон
Загварыг хадгалж байна
загвар.хадгалах('миний_загвар.h5')
Ачаалж буй загвар
шинэ_загвар = tf.keras.models.load_model('миний_загвар.h5')
Ачаалагдсан загварыг баталгаажуулж байна
алдагдал, acc = new_model.evaluate(test_images, test_labels)
print(f'Ачаалсан загварын нарийвчлал: {acc}')
""
Дүгнэлт
Энэхүү гарын авлага нь анхан шатны хүмүүст зориулсан TensorFlow-г хэрхэн эхлүүлэх талаар дэлгэрэнгүй танилцуулга өгдөг. Бид суурилуулалт, үндсэн тензорын үйлдлүүд, MNIST өгөгдлийн багцыг ашиглан энгийн мэдрэлийн сүлжээний загвар бүтээх талаар авч үзсэн. TensorFlow нь дэвшилтэт өгөгдөл боловсруулах, илүү төвөгтэй загварууд, TPU болон GPU зэрэг төхөөрөмжүүд дээр TensorFlow ашиглах зэрэг судлах олон дэвшилтэт боломжуудыг санал болгодог. Энэхүү гарын авлага нь TensorFlow ашиглан машин сургалтын ертөнцөд эхлэхэд тань тусална гэж найдаж байна.
