Ìdánilẹ́kọ̀ọ́ TensorFlow fún àwọn olùbẹ̀rẹ̀
TensorFlow jẹ́ ọ̀kan lára àwọn ètò tó gbajúmọ̀ jùlọ fún ẹ̀kọ́ jíjinlẹ̀ àti ẹ̀kọ́ ẹ̀rọ. Ẹgbẹ́ Google Brain ló ṣe àgbékalẹ̀ rẹ̀, TensorFlow sì ti jẹ́ ohun tó wọ́pọ̀ nínú ọ̀pọ̀lọpọ̀ iṣẹ́ ìwádìí àti àwọn ohun èlò ilé iṣẹ́. Àpilẹ̀kọ yìí pèsè ẹ̀kọ́ ìgbésẹ̀-ní-ìgbésẹ̀ láti ràn ọ́ lọ́wọ́, gẹ́gẹ́ bí olùbẹ̀rẹ̀, láti bẹ̀rẹ̀ pẹ̀lú TensorFlow.
1. Lílóye Àwọn Ìpìlẹ̀ TensorFlow
Kí a tó bẹ̀rẹ̀ sí í fi TensorFlow sílẹ̀ àti lílo rẹ̀, ó ṣe pàtàkì láti mọ ohun tí TensorFlow jẹ́ àti àwọn èrò pàtàkì tó wà lẹ́yìn rẹ̀. TensorFlow jẹ́ ètò orísun ṣíṣí sílẹ̀ fún ìṣírò nọ́mbà àti ẹ̀kọ́ ẹ̀rọ. Ó ń lo àwọn àwòrán ìṣàn dátà láti ṣe àwọn iṣẹ́ nọ́mbà, níbi tí àwọn nódù nínú àwòrán náà dúró fún àwọn iṣẹ́ mathimatiki, àti àwọn egbegbe dúró fún àwọn àkójọ dátà oní-ọ̀pọ̀ (tensors) tí wọ́n so pọ̀ láàrín wọn.
2. Fifi sori ẹrọ TensorFlow
Igbesẹ akọkọ ni lilo TensorFlow ni fifi sori ẹrọ. Eyi ni bi a ṣe le fi TensorFlow sori ẹrọ nipa lilo pip, oluṣakoso package Python.
1. Fifi sori ẹrọ Python:
Rí i dájú pé o ti fi Python sori ẹ̀rọ rẹ. TensorFlow bá Python 3.6 sí 3.9 mu ní àkókò tí a ń kọ ọ́ yìí. O lè gba Python láti ojú òpó wẹ́ẹ̀bù Python.
2. Àyíká Fojú-rí:
A gba ọ niyanju gidigidi lati ṣẹda ayika foju kan lati ya iṣẹ akanṣe TensorFlow rẹ sọtọ:
"sh
Python -m venv myenv
orisun myenv/bin/activate Fun awọn olumulo Mac/Linux
myenv\Scripts\activate Fún àwọn olùlò Windows
““
3. Fifi sori ẹrọ TensorFlow:
Bayi, fi TensorFlow sori ẹrọ nipa lilo pip:
"sh
pip fi sori ẹrọ tensorflow
““
3. Ẹ kú àárọ̀ pẹ̀lú TensorFlow
Ní báyìí tí a ti fi TensorFlow sori ẹrọ, ẹ jẹ́ kí a ṣẹ̀dá ìwé Python tó rọrùn láti jẹ́rìí sí ìfisílẹ̀ náà. Ṣẹ̀dá fáìlì Python tuntun kí o sì sọ orúkọ rẹ̀ ní `hello_tensorflow.py`.
"'Python
agbewọle tensorflow bi tf
Ṣẹ̀dá ìdúróṣinṣin kan
kí o ṣẹ́ = tf.constant('Ẹ ṣẹ́ o, TensorFlow!')
Ìbẹ̀rẹ̀ ìgbìmọ̀
pẹ̀lú tf.Session() gẹ́gẹ́ bí ìgbésẹ̀:
àbájáde = sess.run(ẹ kí o)
tẹjade (esi)
““
Ṣe àtúnṣe kóòdù náà gẹ́gẹ́ bí TensorFlow version 2.x:
"'Python
agbewọle tensorflow bi tf
Ṣẹ̀dá ìdúróṣinṣin kan
kí o ṣẹ́ = tf.constant('Ẹ ṣẹ́ o, TensorFlow!')
Ṣiṣe nipa lilo iṣẹ ṣiṣe ti o ni itara (ṣiṣẹ nipasẹ aiyipada)
tẹ̀wé(hello.numpy())
““
Fipamọ faili naa, lẹhinna ṣiṣẹ:
"sh
Python hello_tensorflow.py
““
4. Lílóye Tensors àti Àwọn Iṣẹ́ Àkọ́kọ́
Àwọn Tensors ni ìṣètò data àkọ́kọ́ nínú TensorFlow, èyí tí ó jẹ́ àwọn ìṣètò multidimensional. Àwọn àpẹẹrẹ díẹ̀ nìyí láti ràn ọ́ lọ́wọ́ láti lóye àwọn tensors:
"'Python
agbewọle tensorflow bi tf
Ṣíṣẹ̀dá àwọn tensor
scalar = tf. scalar dúró ṣinṣin(7)
fekito = tf. constant([1, 2, 3]) fekito
matrix = tf. constant([[1, 2], [3, 4]]) matrix
tensor3d = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) tensọ 3D
ìtẹ̀wé(f'Scalar: {scalar}')
ìtẹ̀wé (f'Vector: {vector}')
tẹ̀wé(f'Matrix: {matrix}')
ìtẹ̀wé(f'Tensor 3D: {tensor3d}')
““
Láti ṣe àwọn iṣẹ́ ìpìlẹ̀ lórí àwọn tensor:
"'Python
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
Iṣẹ́ àfikún
fikun = tf.fikun(a, b)
Àwọn iṣẹ́ ìsọdipúpọ̀ matrix
mul = tf.matmul(a, b)
tẹ̀wé(f'Àfikún: {fikún}')
tẹ̀wé(f'Ìsọdipúpọ̀ Matrix: {mul}')
““
5. Ṣíṣẹ̀dá Àwòṣe Nẹ́tíwọ́ọ̀kì Ìṣiṣẹ́-ara ...
Igbese ti o tẹle ni lati ṣẹda awoṣe nẹtiwọọki neural ti o rọrun. A yoo kọ awoṣe ipinya aworan nipa lilo dataset MNIST, ibi ipamọ data ti awọn aworan oni-nọmba ti a kọ ni ọwọ. Jẹ ki a bẹrẹ:
"'Python
agbewọle tensorflow bi tf
láti inú tensorflow.keras, àwọn ìpele, àti àwọn àwòṣe, gbé àwọn ìwádìí wọlé
Gbigba data MNIST silẹ
(àwọn àwòrán_ìrìn, àwọn àmì_ìrìn), (àwọn àwòrán_ìrìn, àwọn àmì_ìrìn) = àwọn dátà data.mnist.load_data()
Ṣíṣe àtúnṣe àwòrán
àwọn àwòrán_irin, àwọn àwòrán_idanwo = àwọn àwòrán_irin / 255.0, àwọn àwòrán_idanwo / 255.0
Ṣíṣe àwòṣe kan
awoṣe = awọn awoṣe.Tẹlẹsẹẹsẹ([
Àwọn ìpele.Títẹ́ (àwòrán_ìfọwọ́sí=(28, 28)),
Layers.Dense(128, ibere ise='relu'),
Layer.Dense(10)
])
Àkójọpọ̀ àwòṣe
model.compile(optimizer='adam',
àdánù=tf.keras.àwọn àdánù.SparseCategoricalCrosentropy(from_logits=Òótọ́),
metiriki=['ipe'])
Ikẹkọ awoṣe naa
model.fit (awọn aworan oju-irin, awọn aami ọkọ oju irin, awọn akoko = 5)
Idanwo awoṣe naa
ìdánwò_àdánù, ìdánwò_àdánù = àwòṣe.ayẹ̀wò(àwọn àwòrán_ìdánwò, àwọn àmì_ìdánwò)
tẹ̀wé(f'Ìpéye ìdánwò: {test_acc}')
““
Alaye:
– Àwọn ìṣètò ìpamọ́ ìwé: A máa ń kó ìwé àkọsílẹ̀ MNIST wọlé, a sì máa ń kó wọn sínú rẹ̀.
– Ṣíṣe ìṣáájú: Ṣe àtúnṣe ìtòjọ data nípa pípín àwọn iye piksẹli sí 255.
– Àwòṣe: A túmọ̀ àwòṣe tó rọrùn pẹ̀lú àwọn ìpele méjì. Ìpele àkọ́kọ́ jẹ́ ìpele `Flatten` láti yí àwòrán 2D padà sí ìpele 1D. Ìpele kejì jẹ́ ìpele `Dense` pẹ̀lú àwọn neuron 128 àti `relu` gẹ́gẹ́ bí iṣẹ́ ìṣiṣẹ́, àti ìkẹ́yìn jẹ́ ìpele `Dense` pẹ̀lú àwọn neuron 10 tí ó dúró fún àwọn ìpele 10.
– Ṣàkójọpọ̀: A ń ṣe àkójọpọ̀ àwòrán náà nípa lílo `adam` optimizer àti `SparseCategoricalCrossentropy` gẹ́gẹ́ bí iṣẹ́ pípadánù.
– Rẹ́ẹ̀lì: Kọ́ àwòṣe náà fún ìgbà márùn-ún.
– Ṣàyẹ̀wò: Ṣàyẹ̀wò àwòṣe náà pẹ̀lú dátà ìdánwò.
6. Fifipamọ ati Gbigbe Awọn awoṣe
Lẹ́yìn tí o bá ti kọ́ àwòrán kan, o lè fẹ́ láti fi pamọ́ fún lílò nígbà tó bá yá láìsí pé o tún kọ́ ọ. Èyí ni bí a ṣe lè fi pamọ́ àti gbé àwòrán kan sórí rẹ̀:
"'Python
Fifipamọ awoṣe naa
model.save('model_my.h5')
Àwòṣe ìgbéjáde
tuntun_model = tf.keras.model.load_model('model_mi.h5′)
Ṣiṣayẹwo awoṣe ti a ti kojọpọ
àdánù, acc = tuntun_model.evaluate(àwọn àwòrán_ìdánwò, àwọn àmì_ìdánwò)
ìtẹ̀wé(f'Ìpéye ti àwòṣe tí a ti kojọpọ: {acc}')
““
Ipari
Ìtọ́sọ́nà yìí fúnni ní ìṣáájú kíkún nípa bí a ṣe ń bẹ̀rẹ̀ pẹ̀lú TensorFlow fún àwọn olùbẹ̀rẹ̀. A ti bo lórí bí a ṣe ń fi sori ẹrọ, iṣẹ́ tensor ìpìlẹ̀, àti bí a ṣe ń kọ́ àwòṣe nẹ́tíwọ́ọ̀kì neural nípa lílo dataset MNIST. TensorFlow ní ọ̀pọ̀lọpọ̀ agbára ìṣàwárí láti ṣe àwárí, bíi ṣíṣe data tó ti ní ìlọsíwájú, àwọn àwòṣe tó díjú jù, àti lílo TensorFlow lórí àwọn ẹ̀rọ bíi TPU àti GPU. A nírètí pé ẹ̀kọ́ yìí yóò ràn ọ́ lọ́wọ́ láti bẹ̀rẹ̀ ní ayé ẹ̀kọ́ ẹ̀rọ pẹ̀lú TensorFlow.
