 Voir sur TensorFlow.org |  Exécuter dans Google Colab |  Voir la source sur GitHub |  Télécharger le cahier |
Cette courte introduction utilise Keras pour :
- Chargez un jeu de données prédéfini.
- Créez un modèle d'apprentissage automatique de réseau neuronal qui classe les images.
- Entraînez ce réseau de neurones.
- Évaluer la précision du modèle.
Ce tutoriel est un bloc-notes Google Colaboratory . Les programmes Python sont exécutés directement dans le navigateur, un excellent moyen d'apprendre et d'utiliser TensorFlow. Pour suivre ce didacticiel, exécutez le bloc-notes dans Google Colab en cliquant sur le bouton en haut de cette page.
- Dans Colab, connectez-vous à un runtime Python : en haut à droite de la barre de menus, sélectionnez CONNECT .
- Exécutez toutes les cellules de code du bloc-notes : sélectionnez Runtime > Run all .
Configurer TensorFlow
Importez TensorFlow dans votre programme pour commencer :
import tensorflow as tf
print("TensorFlow version:", tf.__version__)
TensorFlow version: 2.8.0-rc1
Si vous suivez dans votre propre environnement de développement, plutôt que Colab , consultez le guide d'installation pour configurer TensorFlow pour le développement.
Charger un jeu de données
Chargez et préparez le jeu de données MNIST . Convertissez les exemples de données d'entiers en nombres à virgule flottante :
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
Créer un modèle d'apprentissage automatique
Créez un modèle tf.keras.Sequential en empilant des couches.
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)
])
Pour chaque exemple, le modèle renvoie un vecteur de scores logits ou log-odds , un pour chaque 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 fonction tf.nn.softmax convertit ces logits en probabilités pour chaque 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)
Définissez une fonction de perte pour l'entraînement à l'aide losses.SparseCategoricalCrossentropy , qui prend un vecteur de logits et un indice True et renvoie une perte scalaire pour chaque exemple.
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
Cette perte est égale à la probabilité logarithmique négative de la vraie classe : la perte est nulle si le modèle est sûr de la bonne classe.
Ce modèle non formé donne des probabilités proches du hasard (1/10 pour chaque classe), donc la perte initiale devrait être proche de -tf.math.log(1/10) ~= 2.3 .
loss_fn(y_train[:1], predictions).numpy()
1.8534881
Avant de commencer l'entraînement, configurez et compilez le modèle à l'aide de Keras Model.compile . Définissez la classe d' optimizer sur adam , définissez la loss sur la fonction loss_fn que vous avez définie précédemment et spécifiez une métrique à évaluer pour le modèle en définissant le metrics sur accuracy .
model.compile(optimizer='adam',
loss=loss_fn,
metrics=['accuracy'])
Entraînez et évaluez votre modèle
Utilisez la méthode Model.fit pour ajuster les paramètres de votre modèle et minimiser la perte :
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>
La méthode Model.evaluate vérifie les performances des modèles, généralement sur un " Validation-set " ou " Test-set ".
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]
Le classificateur d'images est maintenant formé à une précision d'environ 98 % sur cet ensemble de données. Pour en savoir plus, lisez les tutoriels TensorFlow .
Si vous voulez que votre modèle renvoie une probabilité, vous pouvez envelopper le modèle entraîné et lui attacher le 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)>
Conclusion
Toutes nos félicitations! Vous avez formé un modèle d'apprentissage automatique à l'aide d'un ensemble de données prédéfini à l'aide de l'API Keras .
Pour plus d'exemples d'utilisation de Keras, consultez les tutoriels . Pour en savoir plus sur la création de modèles avec Keras, lisez les guides . Si vous souhaitez en savoir plus sur le chargement et la préparation des données, consultez les didacticiels sur le chargement des données d'image ou le chargement des données CSV .