TensorFlow-handledning för nybörjare
TensorFlow är ett av de mest populära ramverken för djupinlärning och maskininlärning. TensorFlow, som utvecklats av Google Brain-teamet, har använts flitigt i ett flertal forskningsprojekt och industriella tillämpningar. Den här artikeln ger en steg-för-steg-handledning som hjälper dig, som nybörjare, att komma igång med TensorFlow.
1. Förstå TensorFlows grunder
Innan vi börjar installera och använda TensorFlow är det viktigt att förstå vad TensorFlow är och de grundläggande koncepten bakom det. TensorFlow är ett ramverk med öppen källkod för numerisk beräkning och maskininlärning. Det använder dataflödesgrafer för att utföra numeriska operationer, där noder i grafen representerar matematiska operationer och kanter representerar flerdimensionella datamatriser (tensorer) som är kopplade mellan dem.
2. TensorFlow-installation
Det första steget i att använda TensorFlow är att installera det. Så här installerar du TensorFlow med pip, pakethanteraren för Python.
1. Python-installation:
Se till att du har Python installerat på ditt system. TensorFlow är kompatibelt med Python 3.6 till 3.9 i skrivande stund. Du kan ladda ner Python från den officiella Python-webbplatsen.
2. Virtuell miljö:
Det rekommenderas starkt att skapa en virtuell miljö för att isolera ditt TensorFlow-projekt:
"'sh
python -m venv myenv
källkod myenv/bin/activate För Mac/Linux-användare
myenv\Scripts\activate För Windows-användare
”'
3. TensorFlow-installation:
Installera nu TensorFlow med pip:
"'sh
pip installera tensorflow
”'
3. Hej världen med TensorFlow
Nu när TensorFlow är installerat, låt oss skapa ett enkelt Python-skript för att verifiera installationen. Skapa en ny Python-fil och döp den till `hello_tensorflow.py`.
"'python
importera tensorflöde som tf
Skapa en konstant
hej = tf.constant('Hej, TensorFlow!')
Starta sessionen
med tf.Session() som sess:
resultat = sess.run(hej)
skriva ut (resultat)
”'
Anpassa koden enligt TensorFlow version 2.x:
"'python
importera tensorflöde som tf
Skapa en konstant
hej = tf.constant('Hej, TensorFlow!')
Kör med ivrig exekvering (på som standard)
print(hello.numpy())
”'
Spara filen och kör sedan:
"'sh
python hello_tensorflow.py
”'
4. Förstå tensorer och grundläggande operationer
Tensorer är den primära datastrukturen i TensorFlow, vilka är flerdimensionella matriser. Här är några exempel som hjälper dig att förstå tensorer:
"'python
importera tensorflöde som tf
Skapa tensorer
skalär = tf. konstant(7) skalär
vektor = tf. konstant([1, 2, 3]) vektor
matris = tf. konstant([[1, 2], [3, 4]]) matris
tensor3d = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) 3D-tensor
print(f'Skalär: {skalär}')
print(f'Vektor: {vektor}')
print(f'Matris: {matris}')
print(f'Tensor 3D: {tensor3d}')
”'
För att utföra grundläggande operationer på tensorer:
"'python
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
Additionsoperation
lägg till = tf.lägg till(a, b)
Matrismultiplikationsoperationer
mul = tf.matmul(a, b)
print(f'Tillägg: {lägg till}')
print(f'Matrismultiplikation: {mul}')
”'
5. Skapa en enkel neural nätverksmodell
Nästa steg är att skapa en enkel neural nätverksmodell. Vi ska bygga en bildklassificeringsmodell med hjälp av MNIST-datasetet, en databas med handskrivna siffror. Låt oss börja:
"'python
importera tensorflöde som tf
från tensorflow.keras importera dataset, lager, modeller
Laddar ner MNIST-datasetet
(tågbilder, tågetiketter), (testbilder, testetiketter) = dataset.mnist.load_data()
Bildnormalisering
tågbilder, testbilder = tågbilder / 255.0, testbilder / 255.0
Att göra en modell
modell = modeller.Sekventiell([
lager.Flatten(input_shape=(28, 28)),
layers.Dense(128, activation='relu'),
lager.Tät(10)
])
Modellsammanställning
model.compile(optimizer='adam',
förlust=tf.keras.förluster.GlesKategoriskKorsentropi(from_logits=Sant),
metrics=['precision'])
Träna modellen
model.fit(train_images, train_labels, epochs=5)
Testa modellen
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Testnoggrannhet: {test_acc}')
”'
Förklaring:
– Dataset: Vi importerar och laddar MNIST-datasetet.
– Förbehandling: Normalisera datasetet genom att dividera pixelvärden med 255.
– Modell: Vi definierar en enkel modell med två lager. Det första lagret är ett "Flatten"-lager för att konvertera 2D-bilden till en 1D-matris. Det andra lagret är ett "Dense"-lager med 128 neuroner och "relu" som aktiveringsfunktion, och det sista är ett "Dense"-lager med 10 neuroner som representerar 10 klasser.
– Kompilera: Vi kompilerar modellen med hjälp av `adam`-optimeraren och `SparseCategoricalCrossentropy` som förlustfunktion.
– Träna: Träna modellen i 5 epoker.
– Utvärdera: Utvärdera modellen mot testdata.
6. Spara och ladda modeller
Efter att du har tränat en modell kanske du vill spara den för senare användning utan att behöva träna om den. Så här sparar och laddar du en modell:
"'python
Spara modellen
modell.spara('min_modell.h5')
Laddar modell
ny_modell = tf.keras.models.load_model('min_modell.h5')
Verifierar den laddade modellen
förlust, acc = new_model.evaluate(test_images, test_labels)
print(f'Noggrannhet för laddad modell: {acc}')
”'
slutsats
Den här guiden ger en detaljerad introduktion till hur man kommer igång med TensorFlow för nybörjare. Vi har gått igenom installation, grundläggande tensoroperationer och hur man bygger en enkel neural nätverksmodell med hjälp av MNIST-datasetet. TensorFlow erbjuder många avancerade funktioner att utforska, såsom avancerad databehandling, mer komplexa modeller och användning av TensorFlow på enheter som TPU:er och GPU:er. Vi hoppas att den här handledningen hjälper dig att komma igång i maskininlärningens värld med TensorFlow.
