Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

Krótkie wprowadzenie do TensorFlow 2 dla ekspertów

Zobacz na TensorFlow.org Uruchom w Google Colab Wyświetl źródło na GitHub Pobierz notatnik

To jest plik notatnika Google Colaboratory . Programy w języku Python są uruchamiane bezpośrednio w przeglądarce - to doskonały sposób na naukę i korzystanie z TensorFlow. Aby skorzystać z tego samouczka, uruchom notatnik w Google Colab, klikając przycisk u góry tej strony.

  1. W Colab połącz się ze środowiskiem uruchomieniowym Pythona: w prawym górnym rogu paska menu wybierz POŁĄCZ .
  2. Uruchom wszystkie komórki kodu notatnika: Wybierz opcję Runtime > Run all .

Pobierz i zainstaluj TensorFlow 2. Zaimportuj TensorFlow do swojego programu:

Zaimportuj TensorFlow do swojego programu:

import tensorflow as tf

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

Załaduj i przygotuj zbiór danych MNIST .

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
11493376/11490434 [==============================] - 0s 0us/step

Użyj tf.data aby tf.data i przetasować zestaw danych:

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)

Zbuduj model tf.keras przy użyciu interfejsu API podklas modelu Keras:

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()

Wybierz optymalizator i funkcję utraty do treningu:

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

optimizer = tf.keras.optimizers.Adam()

Wybierz metryki, aby zmierzyć stratę i dokładność modelu. Te metryki gromadzą wartości w poszczególnych epokach, a następnie drukują ogólny wynik.

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')

Użyj tf.GradientTape aby wytrenować model:

@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)

Przetestuj model:

@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: 0.1360151171684265, Accuracy: 95.94332885742188, Test Loss: 0.06302054226398468, Test Accuracy: 97.90999603271484
Epoch 2, Loss: 0.04181966185569763, Accuracy: 98.71833038330078, Test Loss: 0.05256362631917, Test Accuracy: 98.22999572753906
Epoch 3, Loss: 0.020464003086090088, Accuracy: 99.33500671386719, Test Loss: 0.05558345466852188, Test Accuracy: 98.30999755859375
Epoch 4, Loss: 0.012017485685646534, Accuracy: 99.60333251953125, Test Loss: 0.06642905622720718, Test Accuracy: 98.1500015258789
Epoch 5, Loss: 0.00839359499514103, Accuracy: 99.73666381835938, Test Loss: 0.07797500491142273, Test Accuracy: 98.19999694824219

Klasyfikator obrazu jest teraz wyszkolony z ~ 98% dokładnością w tym zestawie danych. Aby dowiedzieć się więcej, przeczytaj samouczki TensorFlow .