 عرض على TensorFlow.org |  تشغيل في Google Colab |  عرض المصدر على جيثب |  تحميل دفتر |
تستخدم هذه المقدمة القصيرة Keras من أجل:
- قم بتحميل مجموعة بيانات مُنشأة مسبقًا.
- بناء نموذج التعلم الآلي للشبكة العصبية الذي يصنف الصور.
- تدريب هذه الشبكة العصبية.
- تقييم دقة النموذج.
هذا البرنامج التعليمي عبارة عن دفتر ملاحظات Google Colaboratory . يتم تشغيل برامج Python مباشرة في المتصفح - وهي طريقة رائعة لتعلم واستخدام TensorFlow. لمتابعة هذا البرنامج التعليمي ، قم بتشغيل الكمبيوتر الدفتري في Google Colab بالنقر فوق الزر الموجود أعلى هذه الصفحة.
- في Colab ، اتصل بوقت تشغيل Python: في أعلى يمين شريط القائمة ، حدد CONNECT .
- قم بتشغيل جميع خلايا التعليمات البرمجية للكمبيوتر الدفتري: حدد وقت التشغيل > تشغيل الكل .
قم بإعداد TensorFlow
قم باستيراد TensorFlow إلى برنامجك لتبدأ:
import tensorflow as tf
print("TensorFlow version:", tf.__version__)
TensorFlow version: 2.8.0-rc1
إذا كنت تتابع في بيئة التطوير الخاصة بك ، بدلاً من Colab ، فراجع دليل التثبيت لإعداد TensorFlow للتطوير.
قم بتحميل مجموعة بيانات
قم بتحميل وإعداد مجموعة بيانات MNIST . تحويل البيانات النموذجية من الأعداد الصحيحة إلى أرقام الفاصلة العائمة:
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
بناء نموذج التعلم الآلي
أنشئ نموذجًا tf.keras.Sequential عن طريق تكديس الطبقات.
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)
])
لكل مثال ، يعرض النموذج متجهًا من درجات السجلات أو احتمالات السجل ، بمعدل واحد لكل فئة.
predictions = model(x_train[:1]).numpy()
predictions
array([[ 0.2760778 , -0.39324787, -0.17098302, 1.2016621 , -0.03416392,
0.5461229 , -0.7203061 , -0.41886678, -0.59480035, -0.7580608 ]],
dtype=float32)
تحول الدالة tf.nn.softmax هذه السجلات إلى احتمالات لكل فئة:
tf.nn.softmax(predictions).numpy()
array([[0.11960829, 0.06124588, 0.0764901 , 0.30181262, 0.08770514,
0.15668967, 0.04416083, 0.05969675, 0.05006609, 0.04252464]],
dtype=float32)
حدد True خسارة للتدريب باستخدام losses.SparseCategoricalCrossentropy .
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
هذه الخسارة تساوي احتمالية السجل السالب للفئة الحقيقية: تكون الخسارة صفرًا إذا كان النموذج متأكدًا من الفئة الصحيحة.
يعطي هذا النموذج غير المدرب احتمالات قريبة من عشوائية (1/10 لكل فئة) ، لذلك يجب أن تكون الخسارة الأولية قريبة من -tf.math.log(1/10) ~= 2.3 .
loss_fn(y_train[:1], predictions).numpy()
1.8534881
قبل أن تبدأ التدريب ، قم بتكوين النموذج وتجميعه باستخدام Keras Model.compile . عيّن فئة optimizer على adam ، واضبط loss على وظيفة loss_fn التي حددتها سابقًا ، وحدد مقياسًا ليتم تقييمه للنموذج عن طريق تعيين معلمة metrics على accuracy .
model.compile(optimizer='adam',
loss=loss_fn,
metrics=['accuracy'])
تدريب وتقييم النموذج الخاص بك
استخدم طريقة Model.fit لضبط معلمات النموذج وتقليل الخسارة:
model.fit(x_train, y_train, epochs=5)
Epoch 1/5 1875/1875 [==============================] - 4s 2ms/step - loss: 0.2950 - accuracy: 0.9143 Epoch 2/5 1875/1875 [==============================] - 3s 2ms/step - loss: 0.1451 - accuracy: 0.9567 Epoch 3/5 1875/1875 [==============================] - 4s 2ms/step - loss: 0.1080 - accuracy: 0.9668 Epoch 4/5 1875/1875 [==============================] - 4s 2ms/step - loss: 0.0906 - accuracy: 0.9717 Epoch 5/5 1875/1875 [==============================] - 4s 2ms/step - loss: 0.0749 - accuracy: 0.9761 <keras.callbacks.History at 0x7f062c606850>
تتحقق طريقة Model.evaluate من أداء النماذج ، عادةً على " مجموعة التحقق من الصحة " أو " مجموعة الاختبار ".
model.evaluate(x_test, y_test, verbose=2)
313/313 - 1s - loss: 0.0783 - accuracy: 0.9755 - 588ms/epoch - 2ms/step [0.07825208455324173, 0.9754999876022339]
تم تدريب مصنف الصور الآن على دقة تصل إلى 98٪ على مجموعة البيانات هذه. لمعرفة المزيد ، اقرأ دروس TensorFlow .
إذا كنت تريد أن يقوم نموذجك بإرجاع احتمال ، فيمكنك لف النموذج المدرب وإرفاق softmax به:
probability_model = tf.keras.Sequential([
model,
tf.keras.layers.Softmax()
])
probability_model(x_test[:5])
<tf.Tensor: shape=(5, 10), dtype=float32, numpy=
array([[2.72807270e-08, 2.42517650e-08, 7.75602894e-06, 1.28684027e-04,
7.66215633e-11, 3.54162950e-07, 3.04894151e-14, 9.99857187e-01,
2.32766553e-08, 5.97762892e-06],
[7.37396704e-08, 4.73638036e-04, 9.99523997e-01, 7.20633352e-07,
4.54133671e-17, 1.42298268e-06, 5.96959016e-09, 1.23534145e-13,
7.77225608e-08, 6.98619169e-16],
[1.95462448e-07, 9.99295831e-01, 1.02249986e-04, 1.86699708e-05,
5.65737491e-06, 1.12115902e-06, 5.32719559e-06, 5.22767776e-04,
4.79981136e-05, 1.76624681e-07],
[9.99649286e-01, 1.80224735e-09, 3.73612856e-05, 1.52324446e-07,
1.30824594e-06, 2.82781020e-05, 6.99703523e-05, 3.30940424e-07,
2.13184350e-07, 2.13106396e-04],
[1.53770895e-06, 1.72272063e-08, 1.98980865e-06, 3.97882580e-08,
9.97192323e-01, 1.10544443e-05, 1.54713348e-06, 2.81727880e-05,
3.48721733e-06, 2.75991508e-03]], dtype=float32)>
استنتاج
تهانينا! لقد دربت نموذجًا للتعلم الآلي باستخدام مجموعة بيانات مُنشأة مسبقًا باستخدام Keras API.
لمزيد من الأمثلة على استخدام Keras ، راجع البرامج التعليمية . لمعرفة المزيد حول بناء النماذج باستخدام Keras ، اقرأ الأدلة . إذا كنت تريد معرفة المزيد حول تحميل البيانات وإعدادها ، فراجع البرامج التعليمية حول تحميل بيانات الصورة أو تحميل بيانات CSV .