কেরাসের সাথে MNIST-এ একটি নিউরাল নেটওয়ার্ক প্রশিক্ষণ

এই সাধারণ উদাহরণটি দেখায় কিভাবে টেনসরফ্লো ডেটাসেট (টিএফডিএস) কেরাস মডেলে প্লাগ করতে হয়।

import tensorflow as tf
import tensorflow_datasets as tfds

ধাপ 1: আপনার ইনপুট পাইপলাইন তৈরি করুন

এর থেকে পরামর্শ ব্যবহার করে একটি দক্ষ ইনপুট পাইপলাইন তৈরি করে শুরু করুন:

• কর্মক্ষমতা টিপস গাইড
• tf.data API গাইডের সাথে আরও ভাল পারফরম্যান্স

একটি ডেটাসেট লোড করুন

নিম্নলিখিত আর্গুমেন্ট সহ MNIST ডেটাসেট লোড করুন:

• shuffle_files=True : MNIST ডেটা শুধুমাত্র একটি ফাইলে সংরক্ষণ করা হয়, কিন্তু ডিস্কে একাধিক ফাইল সহ বড় ডেটাসেটের জন্য, প্রশিক্ষণের সময় সেগুলিকে এলোমেলো করা ভালো অভ্যাস।
• as_supervised=True : একটি অভিধানের পরিবর্তে একটি টিপল (img, label) ফেরত দেয় {'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

একটি প্রশিক্ষণ পাইপলাইন তৈরি করুন

নিম্নলিখিত রূপান্তরগুলি প্রয়োগ করুন:

• tf.data.Dataset.map : TFDS tf.uint8 টাইপের ছবি প্রদান করে, যখন মডেলটি tf.float32 আশা করে। অতএব, আপনি ইমেজ স্বাভাবিক করতে হবে.
• tf.data.Dataset.cache যেমন আপনি ডেটাসেটটিকে মেমরিতে ফিট করেন, আরও ভালো পারফরম্যান্সের জন্য এলোমেলো করার আগে ক্যাশ করুন।
  দ্রষ্টব্য: ক্যাশে করার পরে এলোমেলো রূপান্তরগুলি প্রয়োগ করা উচিত।
• tf.data.Dataset.shuffle : সত্যিকারের এলোমেলোতার জন্য, শাফল বাফারটিকে সম্পূর্ণ ডেটাসেট আকারে সেট করুন।
  দ্রষ্টব্য: মেমরিতে ফিট করা যায় না এমন বড় ডেটাসেটের জন্য, আপনার সিস্টেম অনুমতি দিলে buffer_size=1000 ব্যবহার করুন।
• tf.data.Dataset.batch : প্রতিটি যুগে অনন্য ব্যাচ পেতে ডাটাসেটের ব্যাচ উপাদানগুলি শাফলিং করার পরে।
• tf.data.Dataset.prefetch : পারফরম্যান্সের জন্য প্রিফেচ করে পাইপলাইনটি শেষ করা ভাল অভ্যাস।

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)

একটি মূল্যায়ন পাইপলাইন তৈরি করুন

আপনার পরীক্ষার পাইপলাইন ছোট পার্থক্য সহ প্রশিক্ষণ পাইপলাইনের অনুরূপ:

• আপনাকে tf.data.Dataset.shuffle কল করার দরকার নেই।
• ব্যাচিংয়ের পরে ক্যাশে করা হয় কারণ ব্যাচগুলি যুগের মধ্যে একই হতে পারে।

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)

ধাপ 2: মডেল তৈরি করুন এবং প্রশিক্ষণ দিন

একটি সাধারণ কেরাস মডেলে TFDS ইনপুট পাইপলাইন প্লাগ করুন, মডেল কম্পাইল করুন এবং এটিকে প্রশিক্ষণ দিন।

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>