Weź udział w sympozjum Women in ML 7 grudnia Zarejestruj się teraz

Szkolenie sieci neuronowej na MNIST z Keras

Zadbaj o dobrą organizację dzięki kolekcji Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.

Ten prosty przykład pokazuje, jak podłączyć zestawy danych TensorFlow (TFDS) do modelu Keras.

Zobacz na TensorFlow.org Uruchom w Google Colab Wyświetl źródło na GitHub Pobierz notatnik
import tensorflow as tf
import tensorflow_datasets as tfds

Krok 1: Utwórz potok wejściowy

Zacznij od zbudowania wydajnego potoku danych wejściowych, korzystając z porad od:

Załaduj zbiór danych

Załaduj zbiór danych MNIST z następującymi argumentami:

  • shuffle_files=True : Dane MNIST są przechowywane tylko w jednym pliku, ale w przypadku większych zestawów danych zawierających wiele plików na dysku, dobrą praktyką jest tasowanie ich podczas uczenia.
  • as_supervised=True : Zwraca krotkę (img, label) zamiast słownika {'image': img, 'label': label} .
(ds_train, ds_test), ds_info = tfds.load(
    'mnist',
    split=['train', 'test'],
    shuffle_files=True,
    as_supervised=True,
    with_info=True,
)
2022-02-07 04:05:46.671689: E tensorflow/stream_executor/cuda/cuda_driver.cc:271] failed call to cuInit: CUDA_ERROR_NO_DEVICE: no CUDA-capable device is detected

Zbuduj potok treningowy

Zastosuj następujące przekształcenia:

  • tf.data.Dataset.map : TFDS dostarcza obrazy typu tf.uint8 , podczas gdy model oczekuje tf.float32 . Dlatego musisz znormalizować obrazy.
  • tf.data.Dataset.cache Gdy zmieścisz zestaw danych w pamięci, umieść go w pamięci podręcznej przed tasowaniem, aby uzyskać lepszą wydajność.
    Uwaga: Losowe przekształcenia powinny być stosowane po buforowaniu.
  • tf.data.Dataset.shuffle : Aby uzyskać prawdziwą losowość, ustaw bufor shuffle na pełny rozmiar zestawu danych.
    Uwaga: W przypadku dużych zestawów danych, które nie mieszczą się w pamięci, użyj buffer_size=1000 , jeśli Twój system na to pozwala.
  • tf.data.Dataset.batch : wsadowe elementy zestawu danych po przetasowaniu, aby uzyskać unikatowe partie w każdej epoce.
  • tf.data.Dataset.prefetch : Dobrą praktyką jest zakończenie potoku przez wstępne pobieranie w celu zwiększenia wydajności .
def normalize_img(image, label):
  """Normalizes images: `uint8` -> `float32`."""
  return tf.cast(image, tf.float32) / 255., label

ds_train = ds_train.map(
    normalize_img, num_parallel_calls=tf.data.AUTOTUNE)
ds_train = ds_train.cache()
ds_train = ds_train.shuffle(ds_info.splits['train'].num_examples)
ds_train = ds_train.batch(128)
ds_train = ds_train.prefetch(tf.data.AUTOTUNE)

Zbuduj potok oceny

Twój potok testowy jest podobny do potoku szkoleniowego z niewielkimi różnicami:

  • Nie musisz wywoływać tf.data.Dataset.shuffle .
  • Buforowanie odbywa się po partiach, ponieważ partie mogą być takie same między epokami.
ds_test = ds_test.map(
    normalize_img, num_parallel_calls=tf.data.AUTOTUNE)
ds_test = ds_test.batch(128)
ds_test = ds_test.cache()
ds_test = ds_test.prefetch(tf.data.AUTOTUNE)

Krok 2: Stwórz i wytrenuj model

Podłącz potok wejściowy TFDS do prostego modelu Keras, skompiluj model i wytrenuj go.

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dense(10)
])
model.compile(
    optimizer=tf.keras.optimizers.Adam(0.001),
    loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    metrics=[tf.keras.metrics.SparseCategoricalAccuracy()],
)

model.fit(
    ds_train,
    epochs=6,
    validation_data=ds_test,
)
Epoch 1/6
469/469 [==============================] - 5s 4ms/step - loss: 0.3503 - sparse_categorical_accuracy: 0.9053 - val_loss: 0.1979 - val_sparse_categorical_accuracy: 0.9415
Epoch 2/6
469/469 [==============================] - 1s 2ms/step - loss: 0.1668 - sparse_categorical_accuracy: 0.9524 - val_loss: 0.1392 - val_sparse_categorical_accuracy: 0.9595
Epoch 3/6
469/469 [==============================] - 1s 2ms/step - loss: 0.1216 - sparse_categorical_accuracy: 0.9657 - val_loss: 0.1120 - val_sparse_categorical_accuracy: 0.9653
Epoch 4/6
469/469 [==============================] - 1s 2ms/step - loss: 0.0939 - sparse_categorical_accuracy: 0.9726 - val_loss: 0.0960 - val_sparse_categorical_accuracy: 0.9704
Epoch 5/6
469/469 [==============================] - 1s 2ms/step - loss: 0.0757 - sparse_categorical_accuracy: 0.9781 - val_loss: 0.0928 - val_sparse_categorical_accuracy: 0.9717
Epoch 6/6
469/469 [==============================] - 1s 2ms/step - loss: 0.0625 - sparse_categorical_accuracy: 0.9818 - val_loss: 0.0851 - val_sparse_categorical_accuracy: 0.9728
<keras.callbacks.History at 0x7f77b42cd910>