TensorFlow는 머신 러닝을 위한 엔드 투 엔드 오픈 소스 플랫폼입니다.
TensorFlow를 사용하면 초보자와 전문가가 기계 학습 모델을 쉽게 만들 수 있습니다. 시작하려면 아래 섹션을 참조하세요.
import tensorflow as tf
mnist = tf.keras.datasets.mnist
(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)
전문가용
Subclassing API는 고급 연구를 위한 실행별 정의 인터페이스를 제공합니다. 모델에 대한 클래스를 만든 다음 명령적으로 정방향 패스를 작성하십시오. 사용자 지정 레이어, 활성화 및 교육 루프를 쉽게 작성합니다. 아래의 "Hello World" 예제를 실행한 다음 자습서 를 방문하여 자세히 알아보세요.
class MyModel(tf.keras.Model):
def __init__(self):
super(MyModel, self).__init__()
self.conv1 = Conv2D(32, 3, activation='relu')
self.flatten = Flatten()
self.d1 = Dense(128, activation='relu')
self.d2 = Dense(10, activation='softmax')
def call(self, x):
x = self.conv1(x)
x = self.flatten(x)
x = self.d1(x)
return self.d2(x)
model = MyModel()
with tf.GradientTape() as tape:
logits = model(images)
loss_value = loss(logits, labels)
grads = tape.gradient(loss_value, model.trainable_variables)
optimizer.apply_gradients(zip(grads, model.trainable_variables))
일반적인 문제에 대한 솔루션
프로젝트에 도움이 되는 단계별 자습서를 살펴보십시오.
