Tutorial de TensorFlow para Iniciantes
O TensorFlow é uma das estruturas mais populares para aprendizado profundo e aprendizado de máquina. Desenvolvido pela equipe do Google Brain, o TensorFlow tem sido amplamente utilizado em inúmeros projetos de pesquisa e aplicações industriais. Este artigo fornece um tutorial passo a passo para ajudar você, como iniciante, a começar a usar o TensorFlow.
1. Compreendendo os conceitos básicos do TensorFlow
Sebelum kita memulai instalasi dan penggunaan TensorFlow, penting untuk memahami apa itu TensorFlow dan konsep dasar di baliknya. TensorFlow adalah kerangka kerja open-source untuk komputasi numerik dan aprendizado de máquina. Ia menggunakan grafik aliran data (data flow graphs) untuk melakukan operasi numerik, di mana node dalam grafik mewakili operasi matematika, dan tepi (edges) mewakili array data multidimensi (tensor) yang dihubungkan di antara mereka.
2. Instalação do TensorFlow
O primeiro passo para usar o TensorFlow é instalá-lo. Veja como instalar o TensorFlow usando o pip, o gerenciador de pacotes do Python.
1. Instalasi Python:
Certifique-se de ter o Python instalado em seu sistema. O TensorFlow é compatível com as versões 3.6 a 3.9 do Python, até o momento da redação deste documento. Você pode baixar o Python no site oficial do Python.
2. Virtual Environment:
É altamente recomendável criar um ambiente virtual para isolar seu projeto TensorFlow:
“'sh
python -m venv meuenv
source myenv/bin/activate Untuk pengguna Mac/Linux
myenv\Scripts\activate Untuk pengguna Windows
""
3. Instalasi TensorFlow:
Agora, instale o TensorFlow usando o pip:
“'sh
pip instalar tensorflow
""
3. Olá Mundo com TensorFlow
Agora que o TensorFlow está instalado, vamos criar um script simples em Python para verificar a instalação. Crie um novo arquivo Python e nomeie-o como `hello_tensorflow.py`.
“`Píton
importar tensorflow como tf
Criar uma constante
olá = tf.constant('Olá, TensorFlow!')
Iniciar sessão
com tf.Session() como sessão:
resultado = sess.run(olá)
imprimir (resultado)
""
Adapte o código de acordo com a versão 2.x do TensorFlow:
“`Píton
importar tensorflow como tf
Criar uma constante
olá = tf.constant('Olá, TensorFlow!')
Executar usando execução imediata (ativada por padrão)
imprimir(olá.numpy())
""
Salve o arquivo e execute-o:
“'sh
python hello_tensorflow.py
""
4. Compreendendo Tensores e Operações Básicas
Os tensores são a principal estrutura de dados no TensorFlow, sendo matrizes multidimensionais. Aqui estão alguns exemplos para ajudar você a entender os tensores:
“`Píton
importar tensorflow como tf
Criando tensores
scalar = tf.constant(7) scalar
vector = tf.constant([1, 2, 3]) vector
matrix = tf.constant([[1, 2], [3, 4]]) matrix
tensor3d = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) 3D tensor
print(f'Escalar: {escalar}')
print(f'Vetor: {vetor}')
print(f'Matriz: {matrix}')
print(f'Tensor 3D: {tensor3d}')
""
Para realizar operações básicas em tensores:
“`Píton
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
Operação de adição
adicionar = tf.adicionar(a, b)
Operações de multiplicação de matrizes
mul = tf.matmul(a, b)
print(f'Adição: {add}')
print(f'Multiplicação de matrizes: {mul}')
""
5. Criando um modelo de rede neural simples
O próximo passo é criar um modelo de rede neural simples. Vamos construir um modelo de classificação de imagens usando o conjunto de dados MNIST, um banco de dados de imagens de dígitos manuscritos. Vamos começar:
“`Píton
importar tensorflow como tf
de tensorflow.keras importar conjuntos de dados, camadas, modelos
Baixando o conjunto de dados MNIST
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
Normalização de imagem
imagens_de_trem, imagens_de_teste = imagens_de_trem / 255.0, imagens_de_teste / 255.0
Fazendo um modelo
modelo = modelos.Sequencial([
camadas.Achatar(formato_de_entrada=(28, 28)),
camadas.Dense(128, ativação='relu'),
camadas.Denso(10)
])
Compilação de modelos
model.compile(optimizer='adam',
perda=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
métricas=['precisão'])
Treinando o modelo
model.fit(train_images, train_labels, epochs=5)
Testando o modelo
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Precisão do teste: {test_acc}')
""
Explicação:
– Datasets: Kami mengimpor dan memuat dataset MNIST.
– Preprocessing: Dataset normalisasi dengan membagi nilai pixel dengan 255.
– Model: Kami mendefinisikan model sederhana dengan dua lapisan. Lapisan pertama adalah `Flatten` untuk mengubah gambar 2D menjadi array 1D. Lapisan kedua adalah `Dense` layer dengan 128 neuron dan `relu` sebagai fungsi aktivasi, dan yang terakhir `Dense` layer dengan 10 neuron mewakili 10 kelas.
– Compile: Kami mengkompilasi model menggunakan optimizer `adam` dan `SparseCategoricalCrossentropy` sebagai fungsi kerugian.
– Train: Melatih model selama 5 epoch.
– Evaluate: Mengevaluasi model terhadap data uji.
6. Salvando e carregando modelos
Após treinar um modelo, você pode querer salvá-lo para uso posterior sem precisar treiná-lo novamente. Veja como salvar e carregar um modelo:
“`Píton
Salvando o modelo
model.save('my_model.h5')
Carregando modelo
novo_modelo = tf.keras.models.load_model('meu_modelo.h5')
Verificando o modelo carregado
perda, acc = novo_modelo.avaliar(imagens_de_teste, rótulos_de_teste)
print(f'Precisão do modelo carregado: {acc}')
""
Conclusão
Panduan ini memberikan pengantar mendetail untuk memulai dengan TensorFlow untuk pemula. Kami telah membahas instalasi, operasi tensor dasar, dan pembuatan model neural network sederhana menggunakan dataset MNIST. TensorFlow menawarkan banyak kemampuan lebih lanjut yang bisa dieksplorasi, seperti processamento de dados yang lebih lanjut, model yang lebih kompleks, dan penggunaan TensorFlow di berbagai perangkat seperti TPU dan GPU. Semoga tutorial ini membantumu memulai perjalanan dalam dunia aprendizado de máquina dengan TensorFlow.
