آموزش شبکه عصبی در MNIST با Keras

این مثال ساده نحوه اتصال TensorFlow Datasets (TFDS) را به یک مدل Keras نشان می دهد.

import tensorflow as tf
import tensorflow_datasets as tfds

مرحله 1: خط لوله ورودی خود را ایجاد کنید

با ایجاد یک خط لوله ورودی کارآمد با استفاده از توصیه های زیر شروع کنید:

یک مجموعه داده را بارگیری کنید

مجموعه داده MNIST را با آرگومان های زیر بارگیری کنید:

  • shuffle_files=True : داده‌های MNIST فقط در یک فایل ذخیره می‌شوند، اما برای مجموعه داده‌های بزرگتر با چندین فایل روی دیسک، بهتر است هنگام آموزش، آنها را به هم بزنند.
  • as_supervised=True : یک تاپل (img, label) را به جای دیکشنری {'image': img, 'label': label} برمی گرداند.
(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

یک خط لوله آموزشی بسازید

تبدیل های زیر را اعمال کنید:

  • tf.data.Dataset.map : TFDS تصاویری از نوع tf.uint8 را ارائه می دهد، در حالی که مدل انتظار tf.float32 را دارد. بنابراین، شما باید تصاویر را عادی کنید.
  • tf.data.Dataset.cache همانطور که مجموعه داده را در حافظه جا می دهید، قبل از به هم زدن برای عملکرد بهتر، آن را در حافظه پنهان ذخیره کنید.
    توجه: تبدیل های تصادفی باید پس از ذخیره سازی اعمال شوند.
  • tf.data.Dataset.shuffle : برای تصادفی بودن واقعی، بافر shuffle را روی اندازه کامل مجموعه داده تنظیم کنید.
    توجه: برای مجموعه داده های بزرگی که نمی توانند در حافظه جا شوند، اگر سیستم شما اجازه می دهد از buffer_size=1000 استفاده کنید.
  • tf.data.Dataset.batch : عناصر دسته ای مجموعه داده پس از به هم زدن برای به دست آوردن دسته های منحصر به فرد در هر دوره.
  • tf.data.Dataset.prefetch : پایان دادن به خط لوله با واکشی اولیه برای عملکرد ، تمرین خوبی است.
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)

یک خط لوله ارزیابی بسازید

خط لوله آزمایشی شما مشابه خط لوله آموزشی با تفاوت های کوچک است:

  • نیازی نیست با tf.data.Dataset.shuffle تماس بگیرید.
  • ذخیره سازی پس از بچینگ انجام می شود زیرا دسته ها می توانند بین دوره ها یکسان باشند.
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)

مرحله 2: مدل را ایجاد و آموزش دهید

خط لوله ورودی TFDS را به یک مدل ساده Keras وصل کنید، مدل را کامپایل کنید و آن را آموزش دهید.

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>