[PYTHON] Ich habe versucht, das TensorFlow-Tutorial mit Kommentaren auszuführen (_TensorFlow_2_0_Einführung für Anfänger).
Referenz-URL: https://www.tensorflow.org/tutorials/quickstart/beginner?hl=ja
Ziel
Mach Folgendes
- Erstellen Sie ein neuronales Netzwerk, um Bilder zu klassifizieren
- Trainieren Sie das neuronale Netzwerk
- Bewerten Sie die Leistung des Modells
Vorbereitung der Verpackung
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
#Tensorflow ver Bestätigung
print(tf.__version__)
2.3.0
Bereiten Sie den Datensatz vor
Dieses Mal werde ich MNIST verwenden
Andere Datensätze: https://www.tensorflow.org/api_docs/python/tf/keras/datasets?hl=JA
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
#Konvertieren Sie das Sample von einer Ganzzahl in eine Gleitkommazahl (konvertieren Sie 0 in 255 in einen Bereich von 0 in 1).
x_train, x_test = x_train / 255.0, x_test / 255.0
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11493376/11490434 [==============================] - 0s 0us/step
#Überprüfen Sie die Form der Daten
print(x_train.shape)
print(x_test.shape)
(60000, 28, 28)
(10000, 28, 28)
- Trainingsdaten: 60.000 Blatt
- Testdaten: 10000 Blatt
Ein Modell bauen
Prozessablauf
- 28 ✖️ 28 2D-Daten auf 1D geglättet
tf.keras.layers.Flatten
input_shape = (28, 28) gibt die Form der Eingabedaten an
- Definition der verborgenen Schicht
tf.keras.layers.Dense
128 ist die Anzahl der Einheiten (Anzahl der Neuronen) activity = 'relu' gibt die Aktivierungsfunktion ReLU an Weitere Aktivierungsfunktionen: https://www.tensorflow.org/api_docs/python/tf/keras/activations?hl=ja
- Definition des Aussetzers
Deaktivieren Sie einige Neuronen nach dem Zufallsprinzip, um ein Überlernen zu verhindern 0,2 deaktiviert 20%
- Definition der vollständig verbundenen Schicht
Geben Sie 10 an, da es endgültig in 10 Klassen eingeteilt wird
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10)
])
Vorhersagen vor dem Lernen
Berechnen Sie für jede Klasse eine Punktzahl namens "Logit" oder "Log Odds Ratio"
Visualisieren Sie Vorhersagedaten
Ist es die Nummer 5? ??
plt.figure()
plt.imshow(x_train[0] * 255, cmap="gray")
plt.grid(False)
plt.show()
Vorhersage mit Pre-Training-Modell
predictions = model(x_train[:1]).numpy()
predictions
array([[-0.68039566, 0.24756509, 0.03884459, 0.13278663, -0.09757528,
-0.41739488, -0.07566899, -0.00817996, 0.17783645, 0.13316259]],
dtype=float32)
Form der Daten, die zum Zeitpunkt der Vorhersage eingegeben werden sollen
Beachten Sie, dass die Form nicht mit "x_train [0]" übereinstimmt Das Modell wurde entwickelt, um Vorhersagen über eine Charge zu treffen oder eine Stichprobe zu "sammeln".
print(x_train[0].shape)
print(x_train[:1].shape)
(28, 28)
(1, 28, 28)
Punktzahl in Wahrscheinlichkeit umwandeln
predictions_probability = tf.nn.softmax(predictions).numpy()
print(predictions_probability)
#Ermittelt den Index des maximalen Elements aus der vorhergesagten Wahrscheinlichkeit
np.argmax(predictions_probability)
[[0.05172387 0.13082756 0.10618253 0.1166411 0.09264173 0.06728384
0.09469356 0.10130493 0.12201592 0.11668495]]
1
Definition der Verlustfunktion
Verlustfunktion
Nimmt Kreuzentropie an
Weitere Verlustfunktionen: https://www.tensorflow.org/api_docs/python/tf/keras/losses?hl=ja
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
loss_fn(y_train[:1], predictions).numpy()
2.6988351
Modell kompilieren
Ein Modell für das Lernen definieren
--optimer: Optimierer
- Geben Sie diesmal "Adam" an
- Andere Optimierungsalgorithmen: https://www.tensorflow.org/api_docs/python/tf/keras/optimizers
- Verlust: Verlustfunktion
- Geben Sie diesmal "Kreuzungsentropie" an --metrics: Elemente, die während des Trainings und Testens quantifiziert wurden
- Geben Sie diesmal "Genauigkeit" an
model.compile(optimizer='adam',
loss=loss_fn,
metrics=['accuracy'])
Modelllernen
Lerne mit einer Epoche von 5 Epoche: Wie oft werden Trainingsdaten wiederholt trainiert? "
model.fit(x_train, y_train, epochs=5)
Epoch 1/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.2981 - accuracy: 0.9127
Epoch 2/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.1435 - accuracy: 0.9572
Epoch 3/5
1875/1875 [==============================] - 3s 2ms/step - loss: 0.1079 - accuracy: 0.9671
Epoch 4/5
1875/1875 [==============================] - 3s 2ms/step - loss: 0.0875 - accuracy: 0.9728
Epoch 5/5
1875/1875 [==============================] - 3s 2ms/step - loss: 0.0750 - accuracy: 0.9768
<tensorflow.python.keras.callbacks.History at 0x7f12f819d5c0>
Bewertung der Modellleistung
Berechnen Sie den Modellverlust und die Genauigkeit anhand von Testdaten
verbose ist eine Option, um den Fortschrittsbalken anzuzeigen
Dieses Modell zeigt eine Genauigkeitsrate von 97% in den Testdaten.
model.evaluate(x_test, y_test, verbose=1)
313/313 [==============================] - 0s 1ms/step - loss: 0.0742 - accuracy: 0.9772
[0.07416515052318573, 0.9771999716758728]
Modellausgabe ändern
Bei der Ausgabe der Wahrscheinlichkeit anstelle des numerischen Wertes
probability_model = tf.keras.Sequential([
model,
tf.keras.layers.Softmax()
])
predictions = probability_model(x_test[:5])
#Visualisieren und vergleichen Sie Vorhersagen und richtige Antworten
for index, prediction in enumerate(predictions):
print(f'Prognose:{np.argmax(prediction)}Richtige Antwort:{y_test[index]}')
ax = plt.subplot(3, 3, index + 1)
plt.imshow(x_test[index] * 255, cmap="gray")
plt.show()
Vorhersage: 7 Richtige Antwort: 7
Vorhersage: 2 Richtige Antwort: 2
Vorhersage: 1 Richtige Antwort: 1
Vorhersage: 0 Richtige Antwort: 0
Vorhersage: 4 Richtige Antwort: 4
Recommended Posts