 Visualizza su TensorFlow.org |  Esegui in Google Colab |  Visualizza l'origine su GitHub |  Scarica quaderno |
Questa breve introduzione utilizza Keras per:
- Carica un set di dati predefinito.
- Crea un modello di apprendimento automatico della rete neurale che classifichi le immagini.
- Addestra questa rete neurale.
- Valutare l'accuratezza del modello.
Questo tutorial è un taccuino di Google Colaboratory . I programmi Python vengono eseguiti direttamente nel browser, un ottimo modo per imparare e utilizzare TensorFlow. Per seguire questo tutorial, esegui il notebook in Google Colab facendo clic sul pulsante nella parte superiore di questa pagina.
- In Colab, connettiti a un runtime Python: nella parte superiore destra della barra dei menu, seleziona CONNETTI .
- Esegui tutte le celle del codice del notebook: seleziona Runtime > Esegui tutto .
Imposta TensorFlow
Importa TensorFlow nel tuo programma per iniziare:
import tensorflow as tf
print("TensorFlow version:", tf.__version__)
TensorFlow version: 2.8.0-rc1
Se stai seguendo il tuo ambiente di sviluppo, anziché Colab , consulta la guida all'installazione per configurare TensorFlow per lo sviluppo.
Carica un set di dati
Caricare e preparare il set di dati MNIST . Converti i dati di esempio da numeri interi a numeri a virgola mobile:
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
Costruisci un modello di apprendimento automatico
Costruisci un modello tf.keras.Sequential impilando i livelli.
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)
])
Per ogni esempio, il modello restituisce un vettore di punteggi logit o log-odds , uno per ogni classe.
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)
La funzione tf.nn.softmax converte questi logit in probabilità per ogni classe:
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)
Definire una funzione di perdita per l'allenamento utilizzando losses.SparseCategoricalCrossentropy , che accetta un vettore di logit e un indice True e restituisce una perdita scalare per ogni esempio.
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
Questa perdita è uguale alla probabilità logaritmica negativa della classe vera: la perdita è zero se il modello è sicuro della classe corretta.
Questo modello non addestrato fornisce probabilità vicine a casuali (1/10 per ogni classe), quindi la perdita iniziale dovrebbe essere vicina a -tf.math.log(1/10) ~= 2.3 .
loss_fn(y_train[:1], predictions).numpy()
1.8534881
Prima di iniziare l'addestramento, configura e compila il modello utilizzando Keras Model.compile . Imposta la classe optimizer su adam , imposta la loss sulla funzione loss_fn definita in precedenza e specifica una metrica da valutare per il modello impostando il parametro metrics su accuracy .
model.compile(optimizer='adam',
loss=loss_fn,
metrics=['accuracy'])
Allena e valuta il tuo modello
Usa il metodo Model.fit per regolare i parametri del tuo modello e ridurre al minimo la perdita:
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>
Il metodo Model.evaluate verifica le prestazioni dei modelli, solitamente su un " Set di convalida " o " Set di test ".
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]
Il classificatore di immagini è ora addestrato con una precisione del 98% circa su questo set di dati. Per saperne di più, leggi i tutorial di TensorFlow .
Se vuoi che il tuo modello restituisca una probabilità, puoi avvolgere il modello addestrato e allegare ad esso il softmax:
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)>
Conclusione
Congratulazioni! Hai addestrato un modello di machine learning usando un set di dati predefinito usando l'API Keras .
Per ulteriori esempi di utilizzo di Keras, consulta i tutorial . Per saperne di più sulla creazione di modelli con Keras, leggi le guide . Se vuoi saperne di più sul caricamento e sulla preparazione dei dati, consulta i tutorial sul caricamento dei dati delle immagini o sul caricamento dei dati CSV .