Keras ile MNIST üzerinde bir sinir ağı eğitimi

Bu basit örnek, TensorFlow Veri Kümelerinin (TFDS) bir Keras modeline nasıl ekleneceğini gösterir.

import tensorflow as tf
import tensorflow_datasets as tfds

1. Adım: Giriş işlem hattınızı oluşturun

Aşağıdaki tavsiyeleri kullanarak verimli bir girdi hattı oluşturarak başlayın:

• Performans ipuçları kılavuzu
• tf.data API kılavuzuyla daha iyi performans

Bir veri kümesi yükleyin

MNIST veri kümesini aşağıdaki bağımsız değişkenlerle yükleyin:

• shuffle_files=True : MNIST verileri yalnızca tek bir dosyada saklanır, ancak diskte birden çok dosya bulunan daha büyük veri kümeleri için, bunları eğitim sırasında karıştırmak iyi bir uygulamadır.
• as_supervised=True : Sözlük {'image': img, 'label': label} yerine bir demet (img, label) döndürür.

(ds_train, ds_test), ds_info = tfds.load(
    'mnist',
    split=['train', 'test'],
    shuffle_files=True,
    as_supervised=True,
    with_info=True,
)

tutucu2 l10n-yer

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

Bir eğitim hattı oluşturun

Aşağıdaki dönüşümleri uygulayın:

• tf.data.Dataset.map : TFDS , tf.uint8 türünde görüntüler sağlarken model tf.float32 bekler . Bu nedenle, görüntüleri normalleştirmeniz gerekir.
• tf.data.Dataset.cache Veri kümesini belleğe sığdırırken, daha iyi bir performans için karıştırmadan önce önbelleğe alın.
  Not: Önbelleğe alma işleminden sonra rastgele dönüşümler uygulanmalıdır.
• tf.data.Dataset.shuffle : Gerçek rastgelelik için karıştırma arabelleğini tam veri kümesi boyutuna ayarlayın.
  Not: Belleğe sığamayan büyük veri kümeleri için, sisteminiz izin veriyorsa, buffer_size=1000 kullanın.
• tf.data.Dataset.batch : Her çağda benzersiz gruplar elde etmek için karıştırmadan sonra veri kümesinin toplu öğeleri.
• tf.data.Dataset.prefetch : Performans için önceden getirme yoluyla ardışık düzeni sonlandırmak iyi bir uygulamadır.

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)

Bir değerlendirme ardışık düzeni oluşturun

Test hattınız, küçük farklarla eğitim hattına benzer:

• tf.data.Dataset.shuffle çağırmanız gerekmez.
• Toplu işlemden sonra önbelleğe alma yapılır, çünkü yığınlar dönemler arasında aynı olabilir.

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)

2. Adım: Modeli oluşturun ve eğitin

TFDS giriş hattını basit bir Keras modeline takın, modeli derleyin ve eğitin.

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,
)

tutucu6 l10n-yer

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>