Yeni Başlayanlar İçin TensorFlow Eğitimi
TensorFlow, derin öğrenme ve makine öğrenmesi için en popüler çerçevelerden biridir. Google Brain ekibi tarafından geliştirilen TensorFlow, çok sayıda araştırma projesinde ve endüstriyel uygulamada yaygın olarak kullanılmaktadır. Bu makale, yeni başlayanlar için TensorFlow'a başlamanıza yardımcı olacak adım adım bir rehber sunmaktadır.
1. TensorFlow Temellerini Anlamak
TensorFlow'u kurmaya ve kullanmaya başlamadan önce, TensorFlow'un ne olduğunu ve arkasındaki temel kavramları anlamak önemlidir. TensorFlow, sayısal hesaplama ve makine öğrenimi için açık kaynaklı bir çerçevedir. Sayısal işlemleri gerçekleştirmek için veri akış grafikleri kullanır; grafikteki düğümler matematiksel işlemleri, kenarlar ise aralarında bağlantılı çok boyutlu veri dizilerini (tensörleri) temsil eder.
2. TensorFlow Kurulumu
TensorFlow'u kullanmanın ilk adımı onu kurmaktır. İşte Python paket yöneticisi pip kullanarak TensorFlow'u nasıl kuracağınız.
1. Python Kurulumu:
Sisteminizde Python'ın kurulu olduğundan emin olun. Bu yazının yazıldığı sırada TensorFlow, Python 3.6 ile 3.9 arasındaki sürümlerle uyumludur. Python'ı resmi Python web sitesinden indirebilirsiniz.
2. Sanal Ortam:
TensorFlow projenizi izole etmek için sanal bir ortam oluşturmanız şiddetle tavsiye edilir:
“`ş
python -m venv myenv
Mac/Linux kullanıcıları için myenv/bin/activate komutunu çalıştırın.
myenv\Scripts\activate Windows kullanıcıları için
"
3. TensorFlow Kurulumu:
Şimdi, pip kullanarak TensorFlow'u yükleyin:
“`ş
pip kurulum tensorflow
"
3. TensorFlow ile Merhaba Dünya
TensorFlow'u yüklediğimize göre, kurulumu doğrulamak için basit bir Python betiği oluşturalım. Yeni bir Python dosyası oluşturun ve adını `hello_tensorflow.py` olarak belirleyin.
piton
tensorflow'u tf olarak içe aktar
Sabit bir değer oluşturun
merhaba = tf.constant('Merhaba, TensorFlow!')
Oturumu başlat
sess olarak tf.Session() ile:
sonuç = sess.run(merhaba)
yazdır(sonuç)
"
Kodu TensorFlow 2.x sürümüne göre uyarlayın:
piton
tensorflow'u tf olarak içe aktar
Sabit bir değer oluşturun
merhaba = tf.constant('Merhaba, TensorFlow!')
Hızlı yürütmeyi kullanarak çalıştırın (varsayılan olarak açık)
print(hello.numpy())
"
Dosyayı kaydedin, ardından çalıştırın:
“`ş
python hello_tensorflow.py
"
4. Tensörleri ve Temel İşlemleri Anlamak
TensorFlow'da temel veri yapısı olan tensörler, çok boyutlu dizilerdir. Tensörleri anlamanıza yardımcı olacak bazı örnekler şunlardır:
piton
tensorflow'u tf olarak içe aktar
Tensör oluşturma
skalar = tf. sabit(7) skalar
vektör = tf. sabit([1, 2, 3]) vektör
matris = tf. sabit([[1, 2], [3, 4]]) matris
tensor3d = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) 3B tensör
print(f'Skalar: {skalar}')
print(f'Vektör: {vektör}')
print(f'Matris: {matris}')
print(f'Tensor 3D: {tensor3d}')
"
Tensörler üzerinde temel işlemleri gerçekleştirmek için:
piton
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
Toplama işlemi
ekle = tf.add(a, b)
Matris çarpım işlemleri
mul = tf.matmul(a, b)
print(f'Toplama: {add}')
print(f'Matris Çarpımı: {mul}')
"
5. Basit Bir Sinir Ağı Modeli Oluşturma
Bir sonraki adım, basit bir sinir ağı modeli oluşturmaktır. El yazısı rakam görüntülerinden oluşan bir veri tabanı olan MNIST veri setini kullanarak bir görüntü sınıflandırma modeli oluşturacağız. Hadi başlayalım:
piton
tensorflow'u tf olarak içe aktar
tensorflow.keras'tan veri kümelerini, katmanları, modelleri içe aktarın
MNIST veri setinin indirilmesi
(eğitim_görüntüleri, eğitim_etiketleri), (test_görüntüleri, test_etiketleri) = veri kümeleri.mnist.load_data()
Görüntü normalizasyonu
tren_görüntüleri, test_görüntüleri = tren_görüntüleri / 255.0, test_görüntüleri / 255.0
Bir model yapmak
model = modeller.Sıralı([
katmanlar.Düzleştir(giriş_şekli=(28, 28)),
katmanlar.Dense(128, aktivasyon='relu'),
katmanlar.Yoğun(10)
])
Model derlemesi
model.compile(optimizer='adam',
kayıp=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrikler=['doğruluk'])
Modelin eğitilmesi
model.fit(tren_görüntüleri, tren_etiketleri, dönemler=5)
Modelin test edilmesi
test_kaybı, test_doğruluğu = model.evaluate(test_görüntüleri, test_etiketleri)
print(f'Test doğruluğu: {test_acc}')
"
Açıklama:
– Veri kümeleri: MNIST veri kümesini içe aktarıp yüklüyoruz.
– Ön İşleme: Piksel değerlerini 255'e bölerek veri setini normalleştirin.
– Model: İki katmanlı basit bir model tanımlıyoruz. Birinci katman, 2 boyutlu görüntüyü 1 boyutlu bir diziye dönüştüren bir `Flatten` katmanıdır. İkinci katman, aktivasyon fonksiyonu olarak `relu` kullanan 128 nöronlu bir `Dense` katmanıdır ve son katman ise 10 sınıfı temsil eden 10 nöronlu bir `Dense` katmanıdır.
– Derleme: Modeli `adam` optimizasyon algoritması ve `SparseCategoricalCrossentropy` kayıp fonksiyonu kullanarak derliyoruz.
– Eğitim: Modeli 5 epoch boyunca eğitin.
– Değerlendirme: Modeli test verilerine göre değerlendirin.
6. Modelleri Kaydetme ve Yükleme
Bir modeli eğittikten sonra, yeniden eğitmek zorunda kalmadan daha sonra kullanmak üzere kaydetmek isteyebilirsiniz. İşte bir modeli kaydetme ve yükleme adımları:
piton
Modeli kaydetme
model.kaydet('my_model.h5')
Model yükleniyor
yeni_model = tf.keras.models.load_model('my_model.h5')
Yüklenen modelin doğrulanması
kayıp, doğruluk = yeni_model.evaluate(test_images, test_labels)
print(f'Yüklenen modelin doğruluğu: {acc}')
"
Sonuç
Bu kılavuz, yeni başlayanlar için TensorFlow'a başlamanın ayrıntılı bir girişini sunmaktadır. Kurulumu, temel tensör işlemlerini ve MNIST veri setini kullanarak basit bir sinir ağı modeli oluşturmayı ele aldık. TensorFlow, gelişmiş veri işleme, daha karmaşık modeller ve TPU'lar ve GPU'lar gibi cihazlarda TensorFlow kullanımı gibi keşfedilecek birçok gelişmiş özellik sunmaktadır. Bu eğitimin, TensorFlow ile makine öğrenimi dünyasına başlamanıza yardımcı olacağını umuyoruz.
