Tutorial TensorFlow pentru începători
TensorFlow este unul dintre cele mai populare framework-uri pentru deep learning și machine learning. Dezvoltat de echipa Google Brain, TensorFlow a fost utilizat pe scară largă în numeroase proiecte de cercetare și aplicații industriale. Acest articol oferă un tutorial pas cu pas pentru a vă ajuta, ca începători, să începeți să utilizați TensorFlow.
1. Înțelegerea elementelor de bază ale 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 masina de învățare. 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. Instalarea TensorFlow
Primul pas în utilizarea TensorFlow este instalarea acestuia. Iată cum se instalează TensorFlow folosind pip, managerul de pachete Python.
1. Instalasi Python:
Asigurați-vă că aveți Python instalat pe sistemul dvs. TensorFlow este compatibil cu Python 3.6 până la 3.9 la momentul scrierii acestui articol. Puteți descărca Python de pe site-ul oficial Python.
2. Virtual Environment:
Este foarte recomandat să creați un mediu virtual pentru a izola proiectul TensorFlow:
„`sh
python -m venv myenv
source myenv/bin/activate Untuk pengguna Mac/Linux
myenv\Scripts\activate Untuk pengguna Windows
„`
3. Instalasi TensorFlow:
Acum, instalează TensorFlow folosind pip:
„`sh
pip install tensorflow
„`
3. Salut lume cu TensorFlow
Acum că TensorFlow este instalat, haideți să creăm un script Python simplu pentru a verifica instalarea. Creați un nou fișier Python și denumiți-l `hello_tensorflow.py`.
„`python
import tensorflow ca tf
Creați o constantă
salut = tf.constant('Salut, TensorFlow!')
Începeți sesiunea
cu tf.Session() ca sess:
rezultat = sess.run(hello)
imprimare (rezultat)
„`
Adaptați codul conform versiunii 2.x a TensorFlow:
„`python
import tensorflow ca tf
Creați o constantă
salut = tf.constant('Salut, TensorFlow!')
Executare prin execuție nerăbdătoare (activată implicit)
print(hello.numpy())
„`
Salvați fișierul, apoi executați:
„`sh
python hello_tensorflow.py
„`
4. Înțelegerea tensorilor și a operațiilor de bază
Tensorii sunt structura principală de date în TensorFlow, care sunt tablouri multidimensionale. Iată câteva exemple care vă vor ajuta să înțelegeți tensorii:
„`python
import tensorflow ca tf
Crearea tensorilor
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
tipărire(f'Scalar: {scalar}')
tipărire(f'Vector: {vector}')
tipărire(f'Matrice: {matrice}')
tipărire(f'Tensor 3D: {tensor3d}')
„`
Pentru a efectua operații de bază asupra tensorilor:
„`python
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
Operație de adunare
add = tf.add(a, b)
Operații de înmulțire a matricelor
mul = tf.matmul(a, b)
print(f'Adunare: {add}')
print(f'Înmulțirea Matricei: {mul}')
„`
5. Crearea unui model simplu de rețea neuronală
Următorul pas este crearea unui model simplu de rețea neuronală. Vom construi un model de clasificare a imaginilor folosind setul de date MNIST, o bază de date cu imagini cu cifre scrise de mână. Să începem:
„`python
import tensorflow ca tf
din tensorflow.keras importă seturi de date, straturi, modele
Descărcarea setului de date MNIST
(imagini_tren, etichete_tren), (imagini_test, etichete_test) = seturi_de_date.mnist.load_data()
Normalizarea imaginii
imagini_tren, imagini_test = imagini_tren / 255.0, imagini_test / 255.0
Realizarea unui model
model = modele.Secvențial([
layers.Flatten(input_shape=(28, 28)),
layers.Dense(128, activation='relu'),
straturi.Dens(10)
])
Compilarea modelului
model.compile(optimizer='adam',
pierdere=tf.keras.pierderi.EntropieCrosatăCategoricăRară(din_logits=Adevărat),
metrics=['acuratețe'])
Antrenarea modelului
model.fit(train_images, train_labels, epochs=5)
Testarea modelului
pierdere_test, test_acc = model.evaluate(imagini_test, etichete_test)
print(f'Precizia testului: {test_acc}')
„`
Explicaţie:
– 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. Salvarea și încărcarea modelelor
După antrenarea unui model, este posibil să doriți să îl salvați pentru utilizare ulterioară, fără a fi nevoie să îl antrenați din nou. Iată cum puteți salva și încărca un model:
„`python
Salvarea modelului
model.save('my_model.h5')
Încărcarea modelului
model_nou = tf.keras.models.load_model('modelul_meu.h5′)
Verificarea modelului încărcat
pierdere, acc = model_nou.evaluate(imagini_test, etichete_test)
print(f'Precizia modelului încărcat: {acc}')
„`
Concluzie
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 prelucrarea datelor 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 masina de învățare dengan TensorFlow.
