Aiuto proteggere la Grande Barriera Corallina con tensorflow sul Kaggle Join Sfida

Guida rapida di TensorFlow 2 per esperti

Visualizza su TensorFlow.org Visualizza la fonte su GitHub Scarica taccuino

Si tratta di un Google Colaboratory file Notebook. I programmi Python vengono eseguiti direttamente nel browser, un ottimo modo per apprendere e utilizzare TensorFlow. Per seguire questo tutorial, esegui il blocco note in Google Colab facendo clic sul pulsante nella parte superiore di questa pagina.

  1. In Colab, connettersi a un runtime di Python: In alto a destra della barra dei menu, selezionare CONNECT.
  2. Eseguire tutte le cellule del codice notebook: Selezionare Runtime> Esegui tutti.

Scarica e installa TensorFlow 2. Importa TensorFlow nel tuo programma:

Importa TensorFlow nel tuo programma:

import tensorflow as tf
print("TensorFlow version:", tf.__version__)

from tensorflow.keras.layers import Dense, Flatten, Conv2D
from tensorflow.keras import Model
TensorFlow version: 2.6.0

Caricare e preparare il set di dati MNIST .

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# Add a channels dimension
x_train = x_train[..., tf.newaxis].astype("float32")
x_test = x_test[..., tf.newaxis].astype("float32")
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11493376/11490434 [==============================] - 1s 0us/step
11501568/11490434 [==============================] - 1s 0us/step

Utilizzare tf.data a lotto e mischiare il set di dati:

train_ds = tf.data.Dataset.from_tensor_slices(
    (x_train, y_train)).shuffle(10000).batch(32)

test_ds = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)

Costruire il tf.keras modello utilizzando il Keras modello di subclassing API :

class MyModel(Model):
  def __init__(self):
    super(MyModel, self).__init__()
    self.conv1 = Conv2D(32, 3, activation='relu')
    self.flatten = Flatten()
    self.d1 = Dense(128, activation='relu')
    self.d2 = Dense(10)

  def call(self, x):
    x = self.conv1(x)
    x = self.flatten(x)
    x = self.d1(x)
    return self.d2(x)

# Create an instance of the model
model = MyModel()

Scegli un ottimizzatore e una funzione di perdita per l'allenamento:

loss_object = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)

optimizer = tf.keras.optimizers.Adam()

Seleziona le metriche per misurare la perdita e l'accuratezza del modello. Queste metriche accumulano i valori in epoche e quindi stampano il risultato complessivo.

train_loss = tf.keras.metrics.Mean(name='train_loss')
train_accuracy = tf.keras.metrics.SparseCategoricalAccuracy(name='train_accuracy')

test_loss = tf.keras.metrics.Mean(name='test_loss')
test_accuracy = tf.keras.metrics.SparseCategoricalAccuracy(name='test_accuracy')

Utilizzare tf.GradientTape per addestrare il modello:

@tf.function
def train_step(images, labels):
  with tf.GradientTape() as tape:
    # training=True is only needed if there are layers with different
    # behavior during training versus inference (e.g. Dropout).
    predictions = model(images, training=True)
    loss = loss_object(labels, predictions)
  gradients = tape.gradient(loss, model.trainable_variables)
  optimizer.apply_gradients(zip(gradients, model.trainable_variables))

  train_loss(loss)
  train_accuracy(labels, predictions)

Prova il modello:

@tf.function
def test_step(images, labels):
  # training=False is only needed if there are layers with different
  # behavior during training versus inference (e.g. Dropout).
  predictions = model(images, training=False)
  t_loss = loss_object(labels, predictions)

  test_loss(t_loss)
  test_accuracy(labels, predictions)
EPOCHS = 5

for epoch in range(EPOCHS):
  # Reset the metrics at the start of the next epoch
  train_loss.reset_states()
  train_accuracy.reset_states()
  test_loss.reset_states()
  test_accuracy.reset_states()

  for images, labels in train_ds:
    train_step(images, labels)

  for test_images, test_labels in test_ds:
    test_step(test_images, test_labels)

  print(
    f'Epoch {epoch + 1}, '
    f'Loss: {train_loss.result()}, '
    f'Accuracy: {train_accuracy.result() * 100}, '
    f'Test Loss: {test_loss.result()}, '
    f'Test Accuracy: {test_accuracy.result() * 100}'
  )
Epoch 1, Loss: 0.13439151644706726, Accuracy: 95.98833465576172, Test Loss: 0.06330505013465881, Test Accuracy: 98.02999877929688
Epoch 2, Loss: 0.04413021355867386, Accuracy: 98.63166809082031, Test Loss: 0.0737706869840622, Test Accuracy: 97.57999420166016
Epoch 3, Loss: 0.024562617763876915, Accuracy: 99.1866683959961, Test Loss: 0.04913036897778511, Test Accuracy: 98.5
Epoch 4, Loss: 0.014813972637057304, Accuracy: 99.51499938964844, Test Loss: 0.06434403359889984, Test Accuracy: 98.1199951171875
Epoch 5, Loss: 0.010033201426267624, Accuracy: 99.66999816894531, Test Loss: 0.07429419457912445, Test Accuracy: 98.15999603271484

Il classificatore di immagini è ora addestrato con una precisione del 98% circa su questo set di dati. Per ulteriori informazioni, leggere i tutorials tensorflow .