Melatih jaringan saraf di MNIST dengan Keras

Contoh sederhana ini menunjukkan cara memasang TensorFlow Datasets (TFDS) ke dalam model Keras.

import tensorflow as tf
import tensorflow_datasets as tfds

Langkah 1: Buat saluran input Anda

Mulailah dengan membangun saluran input yang efisien menggunakan saran dari:

• Panduan kiat kinerja
• Performa yang lebih baik dengan panduan API tf.data

Muat kumpulan data

Muat set data MNIST dengan argumen berikut:

• shuffle_files=True : Data MNIST hanya disimpan dalam satu file, tetapi untuk kumpulan data yang lebih besar dengan banyak file di disk, praktik yang baik adalah mengocoknya saat pelatihan.
• as_supervised=True : Mengembalikan tuple (img, label) alih-alih kamus {'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

Bangun saluran pelatihan

Terapkan transformasi berikut:

• tf.data.Dataset.map : TFDS menyediakan gambar bertipe tf.uint8 , sedangkan model mengharapkan tf.float32 . Karena itu, Anda perlu menormalkan gambar.
• tf.data.Dataset.cache Saat Anda memasukkan dataset ke dalam memori, simpan di cache sebelum mengacaknya untuk kinerja yang lebih baik.
  Catatan: Transformasi acak harus diterapkan setelah caching.
• tf.data.Dataset.shuffle : Untuk keacakan yang sebenarnya, atur buffer shuffle ke ukuran set data penuh.
  Catatan: Untuk kumpulan data besar yang tidak dapat dimasukkan ke dalam memori, gunakan buffer_size=1000 jika sistem Anda mengizinkannya.
• tf.data.Dataset.batch : Elemen batch dari dataset setelah mengacak untuk mendapatkan batch unik di setiap epoch.
• tf.data.Dataset.prefetch : Ini adalah praktik yang baik untuk mengakhiri pipeline dengan melakukan prefetching untuk performa .

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)

Bangun saluran evaluasi

Pipeline pengujian Anda mirip dengan pipeline pelatihan dengan sedikit perbedaan:

• Anda tidak perlu memanggil tf.data.Dataset.shuffle .
• Caching dilakukan setelah batching karena batch bisa sama antar epoch.

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)

Langkah 2: Buat dan latih modelnya

Pasang pipa input TFDS ke model Keras sederhana, kompilasi model, dan latih.

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>