Kerasを使用したMNISTでのニューラルネットワークのトレーニング

この簡単な例は、TFDSをKerasモデルにプラグインする方法を示しています。

TensorFlow.orgで表示 GoogleColabで実行 GitHubでソースを表示ノートブックをダウンロードする
import tensorflow as tf
import tensorflow_datasets as tfds

ステップ1:入力パイプラインを作成する

以下のアドバイスを使用して、効率的な入力パイプラインを構築します。

MNISTをロードする

次の引数を指定してロードします。

  • shuffle_files :MNISTデータは単一のファイルにのみ保存されますが、ディスク上に複数のファイルがある大きなデータセットの場合は、トレーニング時にそれらをシャッフルすることをお勧めします。
  • as_supervised :dict {'image': img, 'label': label}代わりにタプル(img, label)返します
(ds_train, ds_test), ds_info = tfds.load(
    'mnist',
    split=['train', 'test'],
    shuffle_files=True,
    as_supervised=True,
    with_info=True,
)

トレーニングパイプラインを構築する

次の変換を適用します。

  • ds.mapは画像をtf.uint8として提供しますが、モデルはtf.float32を想定しているため、画像を正規化します
  • ds.cacheデータセットがメモリに収まるように、パフォーマンスを向上させるためにシャッフルする前にキャッシュします。
    注:ランダム変換は、キャッシュ後に適用する必要があります
  • ds.shuffle :真のランダム性を得るには、シャッフルバッファを完全なデータセットサイズに設定します。
    注:メモリに収まらない大きなデータセットの場合、システムで許可されている場合、標準値は1000です。
  • ds.batch :シャッフル後にバッチ処理して、各エポックで一意のバッチを取得します。
  • ds.prefetchパフォーマンスのためにプリフェッチてパイプラインを終了することをおds.prefetchします
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.experimental.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.experimental.AUTOTUNE)

評価パイプラインを構築する

テストパイプラインはトレーニングパイプラインに似ていますが、わずかな違いがあります。

  • ds.shuffle()呼び出しはありません
  • キャッシングはバッチ処理後に実行されます(バッチはエポック間で同じである可能性があるため)
ds_test = ds_test.map(
    normalize_img, num_parallel_calls=tf.data.experimental.AUTOTUNE)
ds_test = ds_test.batch(128)
ds_test = ds_test.cache()
ds_test = ds_test.prefetch(tf.data.experimental.AUTOTUNE)

ステップ2:モデルを作成してトレーニングする

入力パイプラインをKerasに接続します。

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 [==============================] - 4s 4ms/step - loss: 0.6240 - sparse_categorical_accuracy: 0.8288 - val_loss: 0.2043 - val_sparse_categorical_accuracy: 0.9424
Epoch 2/6
469/469 [==============================] - 1s 2ms/step - loss: 0.1796 - sparse_categorical_accuracy: 0.9499 - val_loss: 0.1395 - val_sparse_categorical_accuracy: 0.9598
Epoch 3/6
469/469 [==============================] - 1s 2ms/step - loss: 0.1215 - sparse_categorical_accuracy: 0.9642 - val_loss: 0.1137 - val_sparse_categorical_accuracy: 0.9678
Epoch 4/6
469/469 [==============================] - 1s 2ms/step - loss: 0.0968 - sparse_categorical_accuracy: 0.9724 - val_loss: 0.0974 - val_sparse_categorical_accuracy: 0.9707
Epoch 5/6
469/469 [==============================] - 1s 2ms/step - loss: 0.0774 - sparse_categorical_accuracy: 0.9775 - val_loss: 0.0852 - val_sparse_categorical_accuracy: 0.9766
Epoch 6/6
469/469 [==============================] - 1s 2ms/step - loss: 0.0631 - sparse_categorical_accuracy: 0.9811 - val_loss: 0.0868 - val_sparse_categorical_accuracy: 0.9735
<tensorflow.python.keras.callbacks.History at 0x7f70782baa58>