אימון רשת עצבית ב-MNIST עם Keras

דוגמה פשוטה זו מדגימה כיצד לחבר את מערכי הנתונים של TensorFlow (TFDS) לדגם Keras.

הצג באתר TensorFlow.org הפעל בגוגל קולאב צפה במקור ב-GitHub הורד מחברת
import tensorflow as tf
import tensorflow_datasets as tfds

שלב 1: צור את צינור הקלט שלך

התחל בבניית צינור קלט יעיל באמצעות עצות מ:

טען מערך נתונים

טען את מערך הנתונים של MNIST עם הארגומנטים הבאים:

  • shuffle_files=True : נתוני ה-MNIST מאוחסנים רק בקובץ בודד, אבל עבור מערכי נתונים גדולים יותר עם מספר קבצים בדיסק, מומלץ לערבב אותם בזמן האימון.
  • as_supervised=True : מחזירה tuple (img, label) במקום מילון {'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

בניית צינור הדרכה

החל את התמורות הבאות:

  • tf.data.Dataset.map : TFDS מספקים תמונות מסוג tf.uint8 , בעוד שהמודל מצפה tf.float32 . לכן, אתה צריך לנרמל תמונות.
  • tf.data.Dataset.cache כאשר אתה מכניס את מערך הנתונים לזיכרון, שמור אותו במטמון לפני ערבוב לביצועים טובים יותר.
    הערה: יש להחיל טרנספורמציות אקראיות לאחר שמירה במטמון.
  • tf.data.Dataset.shuffle : לאקראיות אמיתית, הגדר את מאגר ה-shuffle לגודל מערך הנתונים המלא.
    הערה: עבור מערכי נתונים גדולים שאינם יכולים להתאים לזיכרון, השתמש ב- buffer_size=1000 אם המערכת שלך מאפשרת זאת.
  • tf.data.Dataset.batch : אצווה רכיבים של מערך הנתונים לאחר ערבוב כדי לקבל אצווה ייחודית בכל תקופה.
  • tf.data.Dataset.prefetch : נוהג טוב לסיים את הצינור על ידי שליפה מראש לביצועים .
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)

בניית צינור הערכה

צינור הבדיקה שלך דומה לצינור ההדרכה עם הבדלים קטנים:

  • אינך צריך להתקשר ל- tf.data.Dataset.shuffle .
  • שמירה במטמון מתבצעת לאחר אצווה מכיוון שאצווה יכולה להיות זהה בין תקופות.
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)

שלב 2: צור ואימון המודל

חבר את צינור הקלט TFDS לדגם פשוט של Keras, הרכיב את המודל והכשיר אותו.

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>