Google I / O'daki önemli notları, ürün oturumlarını, atölyeleri ve daha fazlasını izleyin Oynatma listesine bakın

Uzmanlar için TensorFlow 2 hızlı başlangıç ​​kılavuzu

TensorFlow.org'da görüntüleyin Google Colab'de çalıştırın Kaynağı GitHub'da görüntüleyin Defteri indirin

Bu bir Google Colaboratory not defteri dosyasıdır. Python programları doğrudan tarayıcıda çalıştırılır - TensorFlow'u öğrenmenin ve kullanmanın harika bir yolu. Bu öğreticiyi takip etmek için, bu sayfanın üst kısmındaki düğmeyi tıklayarak defteri Google Colab'da çalıştırın.

  1. Colab'da, bir Python çalışma zamanına bağlanın: Menü çubuğunun sağ üst kısmında BAĞLAN'ı seçin.
  2. Tüm not defteri kod hücrelerini çalıştırın : Çalışma Zamanı > Tümünü çalıştır'ı seçin.

TensorFlow'u indirin ve yükleyin 2. TensorFlow'u programınıza aktarın:

TensorFlow'u programınıza aktarın:

import tensorflow as tf

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

MNIST veri kümesini yükleyin ve hazırlayın.

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")

Veri kümesini toplu tf.data ve karıştırmak için tf.data kullanın:

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)

tf.keras modeli alt sınıflandırma API'sini kullanarak tf.keras modelini oluşturun:

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()

Eğitim için bir optimize edici ve kayıp işlevi seçin:

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

optimizer = tf.keras.optimizers.Adam()

Modelin kaybını ve doğruluğunu ölçmek için ölçümleri seçin. Bu metrikler, değerleri çağlar boyunca biriktirir ve ardından genel sonucu yazdırır.

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')

Modeli eğitmek içintf.GradientTape kullanın:

@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)

Modeli test edin:

@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: 0.14031535387039185, Accuracy: 95.71499633789062, Test Loss: 0.06627305597066879, Test Accuracy: 97.79999542236328
Epoch 2, Loss: 0.04483018070459366, Accuracy: 98.65333557128906, Test Loss: 0.05556650832295418, Test Accuracy: 98.18999481201172
Epoch 3, Loss: 0.0234827883541584, Accuracy: 99.27832794189453, Test Loss: 0.05275814235210419, Test Accuracy: 98.4000015258789
Epoch 4, Loss: 0.014781574718654156, Accuracy: 99.46333312988281, Test Loss: 0.055101316422224045, Test Accuracy: 98.47999572753906
Epoch 5, Loss: 0.009874279610812664, Accuracy: 99.66166687011719, Test Loss: 0.06259561330080032, Test Accuracy: 98.20999908447266

Görüntü sınıflandırıcı artık bu veri kümesinde ~% 98 doğruluk sağlayacak şekilde eğitilmiştir. Daha fazla bilgi edinmek için TensorFlow eğitimlerini okuyun.