エキスパートのための TensorFlow 2 クイックスタート

これは Google Colaboratory のノートブックファイルです。Python プログラムはブラウザ上で直接実行されるため、TensorFlow を学んで使用するのに最適です。このチュートリアルを進めるには、このページの上部にあるボタンをクリックして Google Colab でノートブックを実行してください。

Python ランタイムへの接続：メニューバーの右上で「接続」を選択します。
ノートブックのコードセルをすべて実行：「ランタイム」メニューから「すべてのセルを実行」を選択します。

TensorFlow 2 をダウンロードしてインストールします。TensorFlow をプログラムにインポートします。

注意: pip をアップグレードして TensorFlow 2 をインストールします。詳細は、インストールガイドをご覧ください。

TensorFlow をプログラムにインポートします。

import tensorflow as tf
print("TensorFlow version:", tf.__version__)

from tensorflow.keras.layers import Dense, Flatten, Conv2D
from tensorflow.keras import Model

2022-08-08 19:19:23.404660: E tensorflow/stream_executor/cuda/cuda_blas.cc:2981] Unable to register cuBLAS factory: Attempting to register factory for plugin cuBLAS when one has already been registered
2022-08-08 19:19:24.107170: W tensorflow/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer.so.7'; dlerror: libnvrtc.so.11.1: cannot open shared object file: No such file or directory
2022-08-08 19:19:24.107423: W tensorflow/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer_plugin.so.7'; dlerror: libnvrtc.so.11.1: cannot open shared object file: No such file or directory
2022-08-08 19:19:24.107436: W tensorflow/compiler/tf2tensorrt/utils/py_utils.cc:38] TF-TRT Warning: Cannot dlopen some TensorRT libraries. If you would like to use Nvidia GPU with TensorRT, please make sure the missing libraries mentioned above are installed properly.
TensorFlow version: 2.10.0-rc0

MNIST データセットをロードして準備します。

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

# Add a channels dimension
x_train = x_train[..., tf.newaxis].astype("float32")
x_test = x_test[..., tf.newaxis].astype("float32")

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11490434/11490434 [==============================] - 0s 0us/step

データセットをシャッフルし、バッチ化するために tf.data を使います。

train_ds = tf.data.Dataset.from_tensor_slices(
    (x_train, y_train)).shuffle(10000).batch(32)

test_ds = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)

Keras の model subclassing API を使って tf.keras モデルを構築します。

class MyModel(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)

  def call(self, x):
    x = self.conv1(x)
    x = self.flatten(x)
    x = self.d1(x)
    return self.d2(x)

# Create an instance of the model
model = MyModel()

訓練のためにオプティマイザと損失関数を選びます。

loss_object = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)

optimizer = tf.keras.optimizers.Adam()

モデルの損失と精度を測定するためのメトリクスを選択します。これらのメトリクスはエポックの値を集計し、最終結果を出力します。

train_loss = tf.keras.metrics.Mean(name='train_loss')
train_accuracy = tf.keras.metrics.SparseCategoricalAccuracy(name='train_accuracy')

test_loss = tf.keras.metrics.Mean(name='test_loss')
test_accuracy = tf.keras.metrics.SparseCategoricalAccuracy(name='test_accuracy')

tf.GradientTape を使ってモデルをトレーニングします。

@tf.function
def train_step(images, labels):
  with tf.GradientTape() as tape:
    # training=True is only needed if there are layers with different
    # behavior during training versus inference (e.g. Dropout).
    predictions = model(images, training=True)
    loss = loss_object(labels, predictions)
  gradients = tape.gradient(loss, model.trainable_variables)
  optimizer.apply_gradients(zip(gradients, model.trainable_variables))

  train_loss(loss)
  train_accuracy(labels, predictions)

モデルをテストします。

@tf.function
def test_step(images, labels):
  # training=False is only needed if there are layers with different
  # behavior during training versus inference (e.g. Dropout).
  predictions = model(images, training=False)
  t_loss = loss_object(labels, predictions)

  test_loss(t_loss)
  test_accuracy(labels, predictions)

EPOCHS = 5

for epoch in range(EPOCHS):
  # Reset the metrics at the start of the next epoch
  train_loss.reset_states()
  train_accuracy.reset_states()
  test_loss.reset_states()
  test_accuracy.reset_states()

  for images, labels in train_ds:
    train_step(images, labels)

  for test_images, test_labels in test_ds:
    test_step(test_images, test_labels)

  print(
    f'Epoch {epoch + 1}, '
    f'Loss: {train_loss.result()}, '
    f'Accuracy: {train_accuracy.result() * 100}, '
    f'Test Loss: {test_loss.result()}, '
    f'Test Accuracy: {test_accuracy.result() * 100}'
  )

Epoch 1, Loss: 0.13596093654632568, Accuracy: 95.86000061035156, Test Loss: 0.06382104009389877, Test Accuracy: 97.91999816894531
Epoch 2, Loss: 0.04316427931189537, Accuracy: 98.65499877929688, Test Loss: 0.05207736790180206, Test Accuracy: 98.2699966430664
Epoch 3, Loss: 0.022438304498791695, Accuracy: 99.23666381835938, Test Loss: 0.05380506068468094, Test Accuracy: 98.29999542236328
Epoch 4, Loss: 0.014129292219877243, Accuracy: 99.53333282470703, Test Loss: 0.05873195827007294, Test Accuracy: 98.36000061035156
Epoch 5, Loss: 0.009868809953331947, Accuracy: 99.66999816894531, Test Loss: 0.061252105981111526, Test Accuracy: 98.44999694824219

この画像分類器は、このデータセットで約 98% の精度にトレーニングされました。さらに学習するには、TensorFlow のチュートリアルをご覧ください。