Hướng dẫn TensorFlow dành cho người mới bắt đầu
TensorFlow là một trong những framework phổ biến nhất cho học sâu và học máy. Được phát triển bởi nhóm Google Brain, TensorFlow đã được sử dụng rộng rãi trong nhiều dự án nghiên cứu và ứng dụng công nghiệp. Bài viết này cung cấp hướng dẫn từng bước để giúp bạn, với tư cách là người mới bắt đầu, có thể làm quen với TensorFlow.
1. Hiểu những kiến thức cơ bản về TensorFlow
Trước khi bắt đầu cài đặt và sử dụng TensorFlow, điều quan trọng là phải hiểu TensorFlow là gì và các khái niệm cơ bản đằng sau nó. TensorFlow là một khung phần mềm mã nguồn mở dành cho tính toán số học và học máy. Nó sử dụng đồ thị luồng dữ liệu để thực hiện các phép toán số học, trong đó các nút trong đồ thị đại diện cho các phép toán toán học, và các cạnh đại diện cho các mảng dữ liệu đa chiều (tensor) được kết nối với nhau.
2. Cài đặt TensorFlow
Bước đầu tiên để sử dụng TensorFlow là cài đặt nó. Dưới đây là cách cài đặt TensorFlow bằng pip, trình quản lý gói của Python.
1. Cài đặt Python:
Hãy đảm bảo rằng bạn đã cài đặt Python trên hệ thống của mình. Tại thời điểm viết bài này, TensorFlow tương thích với Python 3.6 đến 3.9. Bạn có thể tải Python từ trang web chính thức của Python.
2. Môi trường ảo:
Bạn nên tạo một môi trường ảo để cách ly dự án TensorFlow của mình:
“`sh
python -m venv myenv
source myenv/bin/activate Dành cho người dùng Mac/Linux
myenv\Scripts\activate (Dành cho người dùng Windows)
“
3. Cài đặt TensorFlow:
Bây giờ, hãy cài đặt TensorFlow bằng pip:
“`sh
pip cài đặt tensorflow
“
3. Xin chào thế giới với TensorFlow
Giờ TensorFlow đã được cài đặt, hãy tạo một đoạn mã Python đơn giản để kiểm tra quá trình cài đặt. Tạo một tệp Python mới và đặt tên là `hello_tensorflow.py`.
“`trăn
nhập tensorflow dưới dạng tf
Tạo một hằng số
hello = tf.constant('Xin chào, TensorFlow!')
Bắt đầu phiên
với tf.Session() là sess:
kết quả = sess.run(hello)
in (kết quả)
“
Hãy điều chỉnh mã nguồn cho phù hợp với phiên bản TensorFlow 2.x:
“`trăn
nhập tensorflow dưới dạng tf
Tạo một hằng số
hello = tf.constant('Xin chào, TensorFlow!')
Chạy bằng chế độ thực thi tức thời (mặc định là bật)
print(hello.numpy())
“
Lưu tập tin, sau đó chạy:
“`sh
python hello_tensorflow.py
“
4. Hiểu về Tensor và các phép toán cơ bản
Tensor là cấu trúc dữ liệu chính trong TensorFlow, chúng là các mảng đa chiều. Dưới đây là một số ví dụ để giúp bạn hiểu về tensor:
“`trăn
nhập tensorflow dưới dạng tf
Tạo tensor
vô hướng = tf. hằng số(7) vô hướng
vector = tf. constant([1, 2, 3]) vector
ma trận = tf. hằng số([[1, 2], [3, 4]]) ma trận
tensor3d = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) tensor 3D
print(f'Vô hướng: {vô hướng}')
print(f'Vector: {vector}')
print(f'Ma trận: {matrix}')
print(f'Tensor 3D: {tensor3d}')
“
Để thực hiện các phép toán cơ bản trên tensor:
“`trăn
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
Phép cộng
add = tf.add(a, b)
Các phép toán nhân ma trận
mul = tf.matmul(a, b)
print(f'Phép cộng: {add}')
print(f'Phép nhân ma trận: {mul}')
“
5. Tạo một mô hình mạng nơ-ron đơn giản
Bước tiếp theo là tạo một mô hình mạng nơ-ron đơn giản. Chúng ta sẽ xây dựng một mô hình phân loại hình ảnh sử dụng tập dữ liệu MNIST, một cơ sở dữ liệu về hình ảnh chữ số viết tay. Bắt đầu nào:
“`trăn
nhập tensorflow dưới dạng tf
từ tensorflow.keras nhập bộ dữ liệu, lớp, mô hình
Tải xuống bộ dữ liệu MNIST
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
Chuẩn hóa hình ảnh
train_images, test_images = train_images/255.0, test_images/255.0
Tạo mô hình
model = models.Sequential([
layers.Flatten(input_shape=(28, 28)),
lớp.Dense(128, kích hoạt='relu'),
lớp.Dense(10)
])
Tổng hợp mô hình
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
số liệu=['độ chính xác'])
Huấn luyện mô hình
model.fit(train_images, train_labels, epochs=5)
Kiểm tra mô hình
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Độ chính xác kiểm thử: {test_acc}')
“
Giải trình:
– Tập dữ liệu: Chúng tôi nhập và tải tập dữ liệu MNIST.
– Xử lý sơ bộ: Chuẩn hóa tập dữ liệu bằng cách chia giá trị pixel cho 255.
– Mô hình: Chúng tôi định nghĩa một mô hình đơn giản với hai lớp. Lớp đầu tiên là lớp `Flatten` để chuyển đổi ảnh 2D thành mảng 1D. Lớp thứ hai là lớp `Dense` với 128 nơron và hàm kích hoạt `relu`, và lớp cuối cùng là lớp `Dense` với 10 nơron đại diện cho 10 lớp.
– Biên dịch: Chúng tôi biên dịch mô hình bằng cách sử dụng trình tối ưu hóa `adam` và `SparseCategoricalCrossentropy` làm hàm mất mát.
– Huấn luyện: Huấn luyện mô hình trong 5 epoch.
– Đánh giá: Đánh giá mô hình dựa trên dữ liệu kiểm thử.
6. Lưu và tải mô hình
Sau khi huấn luyện mô hình, bạn có thể muốn lưu lại để sử dụng sau này mà không cần phải huấn luyện lại. Dưới đây là cách lưu và tải mô hình:
“`trăn
Lưu mô hình
model.save('my_model.h5')
Đang tải mô hình
new_model = tf.keras.models.load_model('my_model.h5′)
Xác minh mô hình đã tải
loss, acc = new_model.evaluate(test_images, test_labels)
print(f'Độ chính xác của mô hình đã tải: {acc}')
“
Sự kết luận
Hướng dẫn này cung cấp phần giới thiệu chi tiết về cách bắt đầu sử dụng TensorFlow dành cho người mới bắt đầu. Chúng ta đã đề cập đến việc cài đặt, các phép toán tensor cơ bản và xây dựng một mô hình mạng nơron đơn giản sử dụng tập dữ liệu MNIST. TensorFlow cung cấp nhiều khả năng nâng cao để khám phá, chẳng hạn như xử lý dữ liệu nâng cao, các mô hình phức tạp hơn và sử dụng TensorFlow trên các thiết bị như TPU và GPU. Chúng tôi hy vọng hướng dẫn này sẽ giúp bạn bắt đầu bước vào thế giới máy học với TensorFlow.
