[PYTHON] Ausführung von MINST in TensorFlow 2.0 und Visualisierung in TensorBoard (Version 2019)
Einführung
- Das offizielle TensorFlow-Tutorial Schnellstart für Anfänger bietet Beispielschulungen und -bewertungen unter Verwendung des MNIST-Datensatzes.
- In diesem Artikel werde ich versuchen, MINST tatsächlich zu lernen und zu bewerten, und ich werde über die Visualisierung des Lernprozesses und des Datenflusses mit TensorBoard schreiben.
Umgebung
- Windows10 Pro 64bit
- Python 3.7.4
- Visual Studio Code 1.40
- Für die externe Verbindung ist eine Proxy-Authentifizierung erforderlich
Einführung von TensorFlow
- Installieren Sie mit pip über die Eingabeaufforderung, und die Implementierungsumgebung befindet sich unter dem Proxy, sodass die Proxy-Einstellungen ebenfalls im Voraus festgelegt werden.
set HTTP_PROXY=Proxy-Einstellungen
set HTTPS_PROXY=Proxy-Einstellungen
pip install tensorflow
Führen Sie MINST aus
- Kopieren Sie den Inhalt des offiziellen Tutorials so wie er ist
from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
#Daten laden
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
#Stapelschichten tf.keras.Erstellen Sie ein sequentielles Modell
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)), #Glätten von 2D-Daten der Größe 28 x 28 auf 784 1D-Daten
tf.keras.layers.Dense(128, activation='relu'), #Geben Sie die Rampenfunktion als Aktivierungsfunktion an
tf.keras.layers.Dropout(0.2), #Festlegen der Abbrecherquote, um Überlernen zu vermeiden
tf.keras.layers.Dense(10, activation='softmax') #Geben Sie Soft Plus für die Aktivierungsfunktion an
])
#Wählen Sie einen Optimierer und eine Verlustfunktion für das Training
model.compile(optimizer='adam', #Entscheiden Sie, wie Sie das Lernen optimieren möchten
loss='sparse_categorical_crossentropy', #Entscheiden Sie, wie Verlust definiert werden soll
metrics=['accuracy'])
#Trainiere das Modell
model.fit(x_train, y_train, epochs=5)
#Geben Sie den Verlustwert und den Bewertungswert des Modells zurück
model.evaluate(x_test, y_test, verbose=2)
- Wenn Sie es so ausführen, wie es ist, tritt im Datenladeteil ein Proxy-Authentifizierungsfehler auf.
- Da die Proxy-Einstellungen problematisch sind, laden Sie die Daten direkt über den Browser herunter (Download-URL finden Sie hier)
- Wenn Sie die heruntergeladene Datendatei (mnist.npz) unten ablegen, wird sie lokal gelesen.
Datenplatzierungsziel
C:\Users\Nutzername\.keras\datasets
- Wenn Sie das obige Skript mit der lokal platzierten Datendatei ausführen, wird das folgende Ergebnis ausgegeben.
Ausführungsergebnis
Train on 60000 samples
Epoch 1/5
2019-11-13 14:08:58.762382: I tensorflow/core/profiler/lib/profiler_session.cc:184] Profiler session started.
60000/60000 [==============================] - 5s 82us/sample - loss: 0.2946 - accuracy: 0.9146 - val_loss: 0.1343 - val_accuracy: 0.9589
Epoch 2/5
60000/60000 [==============================] - 4s 66us/sample - loss: 0.1435 - accuracy: 0.9578 - val_loss: 0.1014 - val_accuracy: 0.9698
Epoch 3/5
60000/60000 [==============================] - 4s 67us/sample - loss: 0.1082 - accuracy: 0.9675 - val_loss: 0.0840 - val_accuracy: 0.9737
Epoch 4/5
60000/60000 [==============================] - 4s 67us/sample - loss: 0.0852 - accuracy: 0.9743 - val_loss: 0.0780 - val_accuracy: 0.9758
Epoch 5/5
60000/60000 [==============================] - 4s 66us/sample - loss: 0.0742 - accuracy: 0.9767 - val_loss: 0.0686 - val_accuracy: 0.9780
10000/1 - 0s - loss: 0.0365 - accuracy: 0.9780
- ** Genauigkeit: 0,9780 ** ist die korrekte Antwortrate unter Verwendung von Testdaten
Visualisierung des Lernprozesses mit TensorBoard
- Das Skript wurde geändert, um das Protokoll für TensorBoard auszugeben
from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
#Daten laden
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
#Stapelschichten tf.keras.Erstellen Sie ein sequentielles Modell
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)), #Glätten von 2D-Daten der Größe 28 x 28 auf 784 1D-Daten
tf.keras.layers.Dense(128, activation='relu'), #Geben Sie die Rampenfunktion als Aktivierungsfunktion an
tf.keras.layers.Dropout(0.2), #Festlegen der Abbrecherquote, um Überlernen zu vermeiden
tf.keras.layers.Dense(10, activation='softmax') #Geben Sie Soft Plus für die Aktivierungsfunktion an
])
#Wählen Sie einen Optimierer und eine Verlustfunktion für das Training
model.compile(optimizer='adam', #Entscheiden Sie, wie Sie das Lernen optimieren möchten
loss='sparse_categorical_crossentropy', #Entscheiden Sie, wie Verlust definiert werden soll
metrics=['accuracy'])
#Protokollausgabe-Rückruffunktion für Tensorboard
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir="log_dir", histogram_freq=1)
#Trainiere das Modell
model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test), callbacks=[tensorboard_callback])
#Geben Sie den Verlustwert und den Bewertungswert des Modells zurück
model.evaluate(x_test, y_test, verbose=2)
- Auszug nur für Änderungen.
#Protokollausgabe-Rückruffunktion für Tensorboard
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir="log_dir", histogram_freq=1)
#Trainiere das Modell
model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test), callbacks=[tensorboard_callback])
- Wenn Sie das geänderte Skript ausführen, wird in dem Ordner, in dem das Skript gespeichert ist, ein Ordner "log_dir" erstellt.
- Führen Sie bei vorhandenem Ordner "log_dir" Folgendes an der Eingabeaufforderung aus
tensorboard --logdir='./log_dir'
- Sie können den TensorBoard-Bildschirm anzeigen, indem Sie mit einem Browser auf Folgendes zugreifen.
- http://localhost:6006/
- Der Hauptgraphenteil visualisiert den Lernprozess
Zusammenfassung
- Ich habe gerade den Inhalt des offiziellen Tutorials gemacht, aber irgendwie fühlte ich mich wie ein Ingenieur, der maschinelles Lernen macht.
- Ich kenne die Details überhaupt nicht, deshalb werde ich von nun an nach und nach lernen.
Recommended Posts