Addestrare una rete neurale su MNIST con Keras

Questo semplice esempio mostra come collegare TensorFlow Datasets (TFDS) in un modello Keras.

import tensorflow as tf
import tensorflow_datasets as tfds

Passaggio 1: crea la pipeline di input

Inizia creando una pipeline di input efficiente utilizzando i consigli di:

• La guida ai suggerimenti per le prestazioni
• Le migliori prestazioni con la guida API tf.data

Carica un set di dati

Carica il set di dati MNIST con i seguenti argomenti:

• shuffle_files=True : i dati MNIST sono archiviati solo in un singolo file, ma per set di dati più grandi con più file su disco, è buona norma mescolarli durante l'allenamento.
• as_supervised=True : restituisce una tupla (img, label) invece di un dizionario {'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

Costruisci una pipeline di formazione

Applicare le seguenti trasformazioni:

• tf.data.Dataset.map : TFDS fornisce immagini di tipo tf.uint8 , mentre il modello si aspetta tf.float32 . Pertanto, è necessario normalizzare le immagini.
• tf.data.Dataset.cache Quando si inserisce il set di dati in memoria, memorizzarlo nella cache prima di mescolarlo per ottenere prestazioni migliori.
  Nota: le trasformazioni casuali devono essere applicate dopo la memorizzazione nella cache.
• tf.data.Dataset.shuffle : per una vera casualità, imposta il buffer shuffle sulla dimensione completa del set di dati.
  Nota: per set di dati di grandi dimensioni che non possono stare in memoria, usa buffer_size=1000 se il tuo sistema lo consente.
• tf.data.Dataset.batch : batch di elementi del set di dati dopo aver mescolato per ottenere batch univoci in ogni epoca.
• tf.data.Dataset.prefetch : è buona norma terminare la pipeline precaricando le prestazioni .

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)

Costruisci una pipeline di valutazione

La pipeline di test è simile alla pipeline di formazione con piccole differenze:

• Non è necessario chiamare tf.data.Dataset.shuffle .
• La memorizzazione nella cache viene eseguita dopo il batch perché i batch possono essere gli stessi tra epoche.

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)

Passaggio 2: crea e addestra il modello

Collega la pipeline di input TFDS a un semplice modello Keras, compila il modello e addestralo.

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>