Treinando uma rede neural em MNIST com Keras

Este exemplo simples demonstra como conectar TFDS a um modelo Keras.

Ver no TensorFlow.org Executar no Google Colab Ver fonte no GitHub Baixar caderno
import tensorflow as tf
import tensorflow_datasets as tfds

Etapa 1: crie seu pipeline de entrada

Crie um pipeline de entrada eficiente usando conselhos de:

Carregar MNIST

Carregue com os seguintes argumentos:

  • shuffle_files : os dados MNIST são armazenados apenas em um único arquivo, mas para conjuntos de dados maiores com vários arquivos no disco, é uma boa prática misturá-los durante o treinamento.
  • as_supervised : Retorna tupla (img, label) vez de dict {'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,
)

Construir pipeline de treinamento

Aplique as seguintes transformações:

  • ds.map : TFDS fornece as imagens como tf.uint8, enquanto o modelo espera tf.float32, então normalize as imagens
  • ds.cache Como o conjunto de dados cabe na memória, ds.cache em cache antes de embaralhar para melhor desempenho.
    Nota: as transformações aleatórias devem ser aplicadas após o armazenamento em cache
  • ds.shuffle : Para verdadeira aleatoriedade, defina o buffer aleatório para o tamanho total do conjunto de dados.
    Nota: Para conjuntos de dados maiores que não cabem na memória, um valor padrão é 1000 se o seu sistema permitir.
  • ds.batch : Lote após embaralhamento para obter lotes exclusivos em cada época.
  • ds.prefetch : Boa prática para encerrar o pipeline por meio da pré - busca de desempenhos .
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)

Construir pipeline de avaliação

O pipeline de teste é semelhante ao pipeline de treinamento, com pequenas diferenças:

  • Nenhuma chamada ds.shuffle()
  • O armazenamento em cache é feito após o envio em lote (já que os lotes podem ser os mesmos entre as épocas)
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)

Etapa 2: criar e treinar o modelo

Conecte o pipeline de entrada em Keras.

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>