تدريب شبكة عصبية على MNIST مع Keras

يوضح هذا المثال البسيط كيفية توصيل مجموعات بيانات TensorFlow (TFDS) في نموذج Keras.

import tensorflow as tf
import tensorflow_datasets as tfds

الخطوة 1: قم بإنشاء خط أنابيب الإدخال الخاص بك

ابدأ ببناء خط أنابيب فعال باستخدام نصائح من:

• دليل نصائح الأداء
• أداء أفضل مع دليل tf.data API

قم بتحميل مجموعة بيانات

قم بتحميل مجموعة بيانات MNIST بالوسيطات التالية:

• shuffle_files=True : يتم تخزين بيانات MNIST في ملف واحد فقط ، ولكن بالنسبة لمجموعات البيانات الأكبر التي تحتوي على ملفات متعددة على القرص ، فمن الجيد تبديلها أثناء التدريب.
• as_supervised=True : إرجاع مجموعة (img, label) بدلاً من القاموس {'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

بناء خط أنابيب التدريب

قم بتطبيق التحولات التالية:

• tf.data.Dataset.map : توفر TFDS صورًا من النوع tf.uint8 ، بينما يتوقع النموذج tf.float32 . لذلك ، تحتاج إلى تطبيع الصور.
• tf.data.Dataset.cache عندما تلائم مجموعة البيانات في الذاكرة ، قم بتخزينها مؤقتًا قبل خلطها للحصول على أداء أفضل.
  ملاحظة: يجب تطبيق التحويلات العشوائية بعد التخزين المؤقت.
• tf.data.Dataset.shuffle : للحصول على عشوائية حقيقية ، اضبط المخزن المؤقت العشوائي على الحجم الكامل لمجموعة البيانات.
  ملاحظة: بالنسبة لمجموعات البيانات الكبيرة التي لا تتسع في الذاكرة ، استخدم buffer_size=1000 إذا كان نظامك يسمح بذلك.
• tf.data.Dataset.batch : مجموعة عناصر مجموعة البيانات بعد الخلط للحصول على دفعات فريدة في كل فترة.
• tf.data.Dataset.prefetch : من الممارسات الجيدة إنهاء خط الأنابيب عن طريق الجلب المسبق للأداء .

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)

بناء خط أنابيب التقييم

يشبه خط أنابيب الاختبار الخاص بك خط أنابيب التدريب مع وجود اختلافات صغيرة:

• لا تحتاج إلى الاتصال بـ tf.data.Dataset.shuffle .
• يتم التخزين المؤقت بعد التجميع لأن الدُفعات يمكن أن تكون هي نفسها بين العصور.

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)

الخطوة 2: إنشاء النموذج وتدريبه

قم بتوصيل خط أنابيب إدخال TFDS في نموذج Keras البسيط ، وقم بتجميع النموذج ، وقم بتدريبه.

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>