Обучение нейронной сети на MNIST с помощью Keras

Этот простой пример демонстрирует, как подключить наборы данных TensorFlow (TFDS) к модели Keras.

Посмотреть на TensorFlow.org

Запустить в Google Colab

Посмотреть исходный код на GitHub

Скачать блокнот

import tensorflow as tf
import tensorflow_datasets as tfds

Шаг 1. Создайте конвейер ввода

Начните с создания эффективного конвейера ввода, используя советы от:

• Руководство по советам по повышению производительности
• Повышение производительности с помощью руководства по API tf.data

Загрузите набор данных

Загрузите набор данных MNIST со следующими аргументами:

• shuffle_files=True : данные MNIST хранятся только в одном файле, но для больших наборов данных с несколькими файлами на диске рекомендуется перемешивать их при обучении.
• as_supervised=True : возвращает кортеж (img, label) вместо словаря {'image': img, 'label': label} .

(ds_train, ds_test), ds_info = tfds.load(
    'mnist',
    split=['train', 'test'],
    shuffle_files=True,
    as_supervised=True,
    with_info=True,
)

2022-02-07 04:05:46.671689: E tensorflow/stream_executor/cuda/cuda_driver.cc:271] failed call to cuInit: CUDA_ERROR_NO_DEVICE: no CUDA-capable device is detected

Создайте конвейер обучения

Примените следующие преобразования:

• tf.data.Dataset.map : TFDS предоставляет изображения типа tf.uint8 , в то время как модель ожидает tf.float32 . Поэтому вам необходимо нормализовать изображения.
• tf.data.Dataset.cache набор данных в память, кэшируйте его перед перемешиванием для повышения производительности.
  Примечание. После кэширования следует применять случайные преобразования.
• tf.data.Dataset.shuffle : для истинной случайности установите для буфера перемешивания полный размер набора данных.
  Примечание. Для больших наборов данных, которые не помещаются в памяти, используйте buffer_size=1000 , если это позволяет ваша система.
• tf.data.Dataset.batch : пакетные элементы набора данных после перетасовки для получения уникальных пакетов в каждую эпоху.
• tf.data.Dataset.prefetch : рекомендуется заканчивать конвейер предварительной выборкой для повышения производительности .

def normalize_img(image, label):
  """Normalizes images: `uint8` -> `float32`."""
  return tf.cast(image, tf.float32) / 255., label

ds_train = ds_train.map(
    normalize_img, num_parallel_calls=tf.data.AUTOTUNE)
ds_train = ds_train.cache()
ds_train = ds_train.shuffle(ds_info.splits['train'].num_examples)
ds_train = ds_train.batch(128)
ds_train = ds_train.prefetch(tf.data.AUTOTUNE)

Создайте конвейер оценки

Ваш конвейер тестирования похож на конвейер обучения с небольшими отличиями:

• Вам не нужно вызывать tf.data.Dataset.shuffle .
• Кэширование выполняется после пакетной обработки, поскольку пакеты могут быть одинаковыми между эпохами.

ds_test = ds_test.map(
    normalize_img, num_parallel_calls=tf.data.AUTOTUNE)
ds_test = ds_test.batch(128)
ds_test = ds_test.cache()
ds_test = ds_test.prefetch(tf.data.AUTOTUNE)

Шаг 2: Создайте и обучите модель

Подключите входной конвейер TFDS к простой модели Keras, скомпилируйте модель и обучите ее.

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dense(10)
])
model.compile(
    optimizer=tf.keras.optimizers.Adam(0.001),
    loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    metrics=[tf.keras.metrics.SparseCategoricalAccuracy()],
)

model.fit(
    ds_train,
    epochs=6,
    validation_data=ds_test,
)

Epoch 1/6
469/469 [==============================] - 5s 4ms/step - loss: 0.3503 - sparse_categorical_accuracy: 0.9053 - val_loss: 0.1979 - val_sparse_categorical_accuracy: 0.9415
Epoch 2/6
469/469 [==============================] - 1s 2ms/step - loss: 0.1668 - sparse_categorical_accuracy: 0.9524 - val_loss: 0.1392 - val_sparse_categorical_accuracy: 0.9595
Epoch 3/6
469/469 [==============================] - 1s 2ms/step - loss: 0.1216 - sparse_categorical_accuracy: 0.9657 - val_loss: 0.1120 - val_sparse_categorical_accuracy: 0.9653
Epoch 4/6
469/469 [==============================] - 1s 2ms/step - loss: 0.0939 - sparse_categorical_accuracy: 0.9726 - val_loss: 0.0960 - val_sparse_categorical_accuracy: 0.9704
Epoch 5/6
469/469 [==============================] - 1s 2ms/step - loss: 0.0757 - sparse_categorical_accuracy: 0.9781 - val_loss: 0.0928 - val_sparse_categorical_accuracy: 0.9717
Epoch 6/6
469/469 [==============================] - 1s 2ms/step - loss: 0.0625 - sparse_categorical_accuracy: 0.9818 - val_loss: 0.0851 - val_sparse_categorical_accuracy: 0.9728
<keras.callbacks.History at 0x7f77b42cd910>