Esta página foi traduzida pela API Cloud Translation.
Switch to English

Início rápido do TensorFlow 2 para especialistas

Ver em TensorFlow.org Executar no Google Colab Ver fonte no GitHub Download do caderno

Este é um arquivo de caderno do Google Colaboratory . Os programas Python são executados diretamente no navegador - uma ótima maneira de aprender e usar o TensorFlow. Para seguir este tutorial, execute o bloco de anotações no Google Colab clicando no botão na parte superior desta página.

  1. No Colab, conecte-se a um tempo de execução do Python: No canto superior direito da barra de menus, selecione CONNECT .
  2. Execute todas as células de código do notebook: selecione Tempo de execução > Executar tudo .

Baixe e instale o TensorFlow 2. Importe o TensorFlow para o seu programa:

Importe o TensorFlow para o seu programa:

 import tensorflow as tf

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

Carregue e prepare o conjunto de dados 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")
 

Use tf.data para tf.data e embaralhar o conjunto de dados:

 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)
 

Construa o modelo tf.keras usando a API de subclassificação do modelo 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()
 

Escolha uma função otimizadora e de perda para treinamento:

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

optimizer = tf.keras.optimizers.Adam()
 

Selecione métricas para medir a perda e a precisão do modelo. Essas métricas acumulam os valores ao longo das épocas e, em seguida, imprimem o resultado geral.

 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')
 

Use tf.GradientTape para treinar o modelo:

 @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)
 

Teste o modelo:

 @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)

  template = 'Epoch {}, Loss: {}, Accuracy: {}, Test Loss: {}, Test Accuracy: {}'
  print(template.format(epoch + 1,
                        train_loss.result(),
                        train_accuracy.result() * 100,
                        test_loss.result(),
                        test_accuracy.result() * 100))
 
Epoch 1, Loss: 0.13592886924743652, Accuracy: 95.94000244140625, Test Loss: 0.055521223694086075, Test Accuracy: 98.18999481201172
Epoch 2, Loss: 0.0430309921503067, Accuracy: 98.63500213623047, Test Loss: 0.05355464294552803, Test Accuracy: 98.19999694824219
Epoch 3, Loss: 0.023526253178715706, Accuracy: 99.23833465576172, Test Loss: 0.05223415046930313, Test Accuracy: 98.36000061035156
Epoch 4, Loss: 0.013987621292471886, Accuracy: 99.5250015258789, Test Loss: 0.06412387639284134, Test Accuracy: 98.25999450683594
Epoch 5, Loss: 0.00990322045981884, Accuracy: 99.63500213623047, Test Loss: 0.05288000404834747, Test Accuracy: 98.62999725341797

O classificador de imagens agora é treinado para ~ 98% de precisão neste conjunto de dados. Para saber mais, leia os tutoriais do TensorFlow .