Tutorial TensorFlow untuk Pemula
TensorFlow merupakan salah satu rangka kerja paling popular untuk pembelajaran mendalam dan pembelajaran mesin. Dibangunkan oleh pasukan Google Brain, TensorFlow telah digunakan secara meluas dalam pelbagai projek penyelidikan dan aplikasi perindustrian. Artikel ini menyediakan tutorial langkah demi langkah untuk membantu anda, sebagai pemula, bermula dengan TensorFlow.
1. Memahami Asas TensorFlow
Sebelum kita mula memasang dan menggunakan TensorFlow, adalah penting untuk memahami apa itu TensorFlow dan konsep asas di sebaliknya. TensorFlow ialah rangka kerja sumber terbuka untuk pengiraan berangka dan pembelajaran mesin. Ia menggunakan graf aliran data untuk melaksanakan operasi berangka, di mana nod dalam graf mewakili operasi matematik dan tepi mewakili tatasusunan data berbilang dimensi (tensor) yang disambungkan di antara mereka.
2. Pemasangan TensorFlow
Langkah pertama dalam menggunakan TensorFlow ialah memasangnya. Berikut ialah cara memasang TensorFlow menggunakan pip, pengurus pakej Python.
1. Pemasangan Python:
Pastikan anda telah memasang Python pada sistem anda. TensorFlow serasi dengan Python 3.6 hingga 3.9 pada masa penulisan ini. Anda boleh memuat turun Python dari laman web rasmi Python.
2. Persekitaran Maya:
Amat disyorkan untuk mewujudkan persekitaran maya bagi mengasingkan projek TensorFlow anda:
"sh"
python -m venv myenv
sumber myenv/bin/aktifkan Untuk pengguna Mac/Linux
myenv\Scripts\activate Untuk pengguna Windows
""
3. Pemasangan TensorFlow:
Sekarang, pasang TensorFlow menggunakan pip:
"sh"
pip pasang aliran tensor
""
3. Hello World dengan TensorFlow
Setelah TensorFlow dipasang, mari kita cipta skrip Python mudah untuk mengesahkan pemasangan. Cipta fail Python baharu dan namakannya `hello_tensorflow.py`.
“`python
import aliran tensor sebagai tf
Cipta pemalar
hello = tf.constant('Helo, TensorFlow!')
Mulakan sesi
dengan tf.Session() sebagai sess:
hasil = sess.jalankan(hello)
cetak(hasil)
""
Sesuaikan kod mengikut TensorFlow versi 2.x:
“`python
import aliran tensor sebagai tf
Cipta pemalar
hello = tf.constant('Helo, TensorFlow!')
Jalankan menggunakan pelaksanaan eager (dihidupkan secara lalai)
cetak(hello.numpy())
""
Simpan fail tersebut, kemudian jalankan:
"sh"
python hello_tensorflow.py
""
4. Memahami Tensor dan Operasi Asas
Tensor ialah struktur data utama dalam TensorFlow, iaitu tatasusunan berbilang dimensi. Berikut adalah beberapa contoh untuk membantu anda memahami tensor:
“`python
import aliran tensor sebagai tf
Mencipta tensor
skalar = tf. pemalar(7) skalar
vektor = tf. pemalar([1, 2, 3]) vektor
matriks = tf. pemalar([[1, 2], [3, 4]]) matriks
tensor3d = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) Tensor 3D
cetak(f'Skalar: {skalar}')
cetak(f'Vektor: {vektor}')
cetak(f'Matriks: {matriks}')
cetak(f'Tensor 3D: {tensor3d}')
""
Untuk melaksanakan operasi asas pada tensor:
“`python
a = tf.pemalar([[1, 2], [3, 4]])
b = tf.pemalar([[5, 6], [7, 8]])
Operasi penambahan
tambah = tf.tambah(a, b)
Operasi pendaraban matriks
mul = tf.matmul(a, b)
cetak(f'Penambahan: {tambah}')
print(f'Pendaraban Matriks: {mul}')
""
5. Mencipta Model Rangkaian Neural Mudah
Langkah seterusnya adalah untuk mencipta model rangkaian neural yang mudah. Kita akan membina model pengelasan imej menggunakan set data MNIST, pangkalan data imej digit tulisan tangan. Mari kita mulakan:
“`python
import aliran tensor sebagai tf
daripada tensorflow.keras import set data, lapisan, model
Memuat turun set data MNIST
(imej_kereta api, label_kereta api), (imej_ujian, label_ujian) = set data.mnist.load_data()
Normalisasi imej
imej_kereta api, imej_ujian = imej_kereta api / 255.0, imej_ujian / 255.0
Membuat model
model = models.Sequential([
lapisan.Ratakan(input_bentuk=(28, 28)),
layers.Dense(128, activation='relu'),
lapisan.Tumpat(10)
])
Penyusunan model
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=Benar),
metrik=['ketepatan'])
Melatih model
model.fit(train_images, train_labels, epochs=5)
Menguji model
kehilangan_ujian, akaun_ujian = model.evaluate(imej_ujian, label_ujian)
cetak(f'Ketepatan ujian: {test_acc}')
""
Penjelasan:
– Set Data: Kami mengimport dan memuatkan set data MNIST.
– Prapemprosesan: Normalkan set data dengan membahagikan nilai piksel dengan 255.
– Model: Kita mentakrifkan model ringkas dengan dua lapisan. Lapisan pertama ialah lapisan `Ratakan` untuk menukar imej 2D kepada tatasusunan 1D. Lapisan kedua ialah lapisan `Tumpat` dengan 128 neuron dan `relu` sebagai fungsi pengaktifan, dan yang terakhir ialah lapisan `Tumpat` dengan 10 neuron yang mewakili 10 kelas.
– Kompilasi: Kami mengkompilasi model menggunakan pengoptimum `adam` dan `SparseCategoricalCrossentropy` sebagai fungsi kerugian.
– Latih: Latih model selama 5 zaman.
– Nilaikan: Nilaikan model terhadap data ujian.
6. Menyimpan dan Memuatkan Model
Selepas melatih model, anda mungkin mahu menyimpannya untuk kegunaan kemudian tanpa perlu melatihnya semula. Berikut ialah cara menyimpan dan memuatkan model:
“`python
Menyimpan model
model.save('model_saya.h5')
Memuatkan model
model_baharu = tf.keras.models.load_model('model_saya.h5′)
Mengesahkan model yang dimuatkan
kerugian, akaun = model_baharu.evaluate(imej_ujian, label_ujian)
cetak(f'Ketepatan model yang dimuatkan: {acc}')
""
Kesimpulannya
Panduan ini menyediakan pengenalan terperinci untuk bermula dengan TensorFlow untuk pemula. Kami telah merangkumi pemasangan, operasi tensor asas dan pembinaan model rangkaian neural mudah menggunakan set data MNIST. TensorFlow menawarkan banyak keupayaan lanjutan untuk diterokai, seperti pemprosesan data lanjutan, model yang lebih kompleks dan penggunaan TensorFlow pada peranti seperti TPU dan GPU. Kami berharap tutorial ini dapat membantu anda bermula dalam dunia pembelajaran mesin dengan TensorFlow.
