Treinando uma rede neural no MNIST com Keras

Este exemplo simples demonstra como conectar conjuntos de dados do TensorFlow (TFDS) em um modelo Keras.

import tensorflow as tf
import tensorflow_datasets as tfds

Etapa 1: criar seu pipeline de entrada

Comece criando um pipeline de entrada eficiente usando conselhos de:

• O guia de dicas de desempenho
• O melhor desempenho com o guia da API tf.data

Carregar um conjunto de dados

Carregue o conjunto de dados MNIST com os seguintes argumentos:

• shuffle_files=True : Os dados MNIST são armazenados apenas em um único arquivo, mas para conjuntos de dados maiores com vários arquivos em disco, é uma boa prática embaralhá-los durante o treinamento.
• as_supervised=True : Retorna uma tupla (img, label) em vez de um dicionário {'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

Crie um pipeline de treinamento

Aplique as seguintes transformações:

• tf.data.Dataset.map : TFDS fornece imagens do tipo tf.uint8 , enquanto o modelo espera tf.float32 . Portanto, você precisa normalizar as imagens.
• tf.data.Dataset.cache Conforme você ajusta o conjunto de dados na memória, armazene-o em cache antes de embaralhá-lo para um melhor desempenho.
  Nota: As transformações aleatórias devem ser aplicadas após o armazenamento em cache.
• tf.data.Dataset.shuffle : Para aleatoriedade verdadeira, defina o buffer aleatório para o tamanho total do conjunto de dados.
  Observação: para grandes conjuntos de dados que não cabem na memória, use buffer_size=1000 se seu sistema permitir.
• tf.data.Dataset.batch : Elementos de lote do conjunto de dados após embaralhar para obter lotes exclusivos em cada época.
• tf.data.Dataset.prefetch : É uma boa prática encerrar o pipeline por pré-busca para desempenho .

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)

Crie um pipeline de avaliação

Seu pipeline de teste é semelhante ao pipeline de treinamento com pequenas diferenças:

• Você não precisa chamar tf.data.Dataset.shuffle .
• O armazenamento em cache é feito após o lote porque os lotes podem ser os mesmos entre épocas.

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)

Etapa 2: criar e treinar o modelo

Conecte o pipeline de entrada do TFDS em um modelo Keras simples, compile o modelo e treine-o.

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>