 Lihat di TensorFlow.org |  Jalankan di Google Colab |  Lihat sumber di GitHub |  Unduh buku catatan |
Pengenalan singkat ini menggunakan Keras untuk:
- Muat set data bawaan.
- Bangun model pembelajaran mesin jaringan saraf yang mengklasifikasikan gambar.
- Latih jaringan saraf ini.
- Mengevaluasi keakuratan model.
Tutorial ini adalah buku catatan Google Colaboratory . Program Python dijalankan langsung di browser—cara yang bagus untuk mempelajari dan menggunakan TensorFlow. Untuk mengikuti tutorial ini, jalankan notebook di Google Colab dengan mengklik tombol di bagian atas halaman ini.
- Di Colab, sambungkan ke runtime Python: Di kanan atas bilah menu, pilih CONNECT .
- Jalankan semua sel kode buku catatan: Pilih Waktu Proses > Jalankan semua .
Siapkan TensorFlow
Impor TensorFlow ke dalam program Anda untuk memulai:
import tensorflow as tf
print("TensorFlow version:", tf.__version__)
TensorFlow version: 2.8.0-rc1
Jika Anda mengikuti lingkungan pengembangan Anda sendiri, bukan Colab , lihat panduan penginstalan untuk menyiapkan TensorFlow untuk pengembangan.
Muat kumpulan data
Muat dan siapkan kumpulan data MNIST . Konversikan data sampel dari bilangan bulat ke bilangan floating-point:
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
Buat model pembelajaran mesin
Bangun model tf.keras.Sequential dengan menumpuk lapisan.
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10)
])
Untuk setiap contoh, model mengembalikan vektor logit atau skor peluang log , satu untuk setiap kelas.
predictions = model(x_train[:1]).numpy()
predictions
array([[ 0.2760778 , -0.39324787, -0.17098302, 1.2016621 , -0.03416392,
0.5461229 , -0.7203061 , -0.41886678, -0.59480035, -0.7580608 ]],
dtype=float32)
Fungsi tf.nn.softmax mengonversi log ini menjadi probabilitas untuk setiap kelas:
tf.nn.softmax(predictions).numpy()
array([[0.11960829, 0.06124588, 0.0764901 , 0.30181262, 0.08770514,
0.15668967, 0.04416083, 0.05969675, 0.05006609, 0.04252464]],
dtype=float32)
Tentukan fungsi kerugian untuk pelatihan menggunakan losses.SparseCategoricalCrossentropy , yang mengambil vektor logit dan indeks True dan mengembalikan kerugian skalar untuk setiap contoh.
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
Kerugian ini sama dengan probabilitas log negatif dari kelas sebenarnya: Kerugiannya adalah nol jika model yakin dengan kelas yang benar.
Model tidak terlatih ini memberikan probabilitas mendekati acak (1/10 untuk setiap kelas), jadi kerugian awal harus mendekati -tf.math.log(1/10) ~= 2.3 .
loss_fn(y_train[:1], predictions).numpy()
1.8534881
Sebelum Anda memulai pelatihan, konfigurasikan dan kompilasi model menggunakan Keras Model.compile . Setel kelas optimizer ke adam , setel loss ke fungsi loss_fn yang Anda tetapkan sebelumnya, dan tentukan metrik yang akan dievaluasi untuk model dengan menyetel parameter metrics ke accuracy .
model.compile(optimizer='adam',
loss=loss_fn,
metrics=['accuracy'])
Latih dan evaluasi model Anda
Gunakan metode Model.fit untuk menyesuaikan parameter model Anda dan meminimalkan kerugian:
model.fit(x_train, y_train, epochs=5)
Epoch 1/5 1875/1875 [==============================] - 4s 2ms/step - loss: 0.2950 - accuracy: 0.9143 Epoch 2/5 1875/1875 [==============================] - 3s 2ms/step - loss: 0.1451 - accuracy: 0.9567 Epoch 3/5 1875/1875 [==============================] - 4s 2ms/step - loss: 0.1080 - accuracy: 0.9668 Epoch 4/5 1875/1875 [==============================] - 4s 2ms/step - loss: 0.0906 - accuracy: 0.9717 Epoch 5/5 1875/1875 [==============================] - 4s 2ms/step - loss: 0.0749 - accuracy: 0.9761 <keras.callbacks.History at 0x7f062c606850>
Metode Model.evaluate memeriksa kinerja model, biasanya pada " Validation-set " atau " Test-set ".
model.evaluate(x_test, y_test, verbose=2)
313/313 - 1s - loss: 0.0783 - accuracy: 0.9755 - 588ms/epoch - 2ms/step [0.07825208455324173, 0.9754999876022339]
Pengklasifikasi gambar sekarang dilatih untuk akurasi ~98% pada dataset ini. Untuk mempelajari lebih lanjut, baca tutorial TensorFlow .
Jika Anda ingin model Anda mengembalikan probabilitas, Anda dapat membungkus model yang dilatih, dan melampirkan softmax ke dalamnya:
probability_model = tf.keras.Sequential([
model,
tf.keras.layers.Softmax()
])
probability_model(x_test[:5])
<tf.Tensor: shape=(5, 10), dtype=float32, numpy=
array([[2.72807270e-08, 2.42517650e-08, 7.75602894e-06, 1.28684027e-04,
7.66215633e-11, 3.54162950e-07, 3.04894151e-14, 9.99857187e-01,
2.32766553e-08, 5.97762892e-06],
[7.37396704e-08, 4.73638036e-04, 9.99523997e-01, 7.20633352e-07,
4.54133671e-17, 1.42298268e-06, 5.96959016e-09, 1.23534145e-13,
7.77225608e-08, 6.98619169e-16],
[1.95462448e-07, 9.99295831e-01, 1.02249986e-04, 1.86699708e-05,
5.65737491e-06, 1.12115902e-06, 5.32719559e-06, 5.22767776e-04,
4.79981136e-05, 1.76624681e-07],
[9.99649286e-01, 1.80224735e-09, 3.73612856e-05, 1.52324446e-07,
1.30824594e-06, 2.82781020e-05, 6.99703523e-05, 3.30940424e-07,
2.13184350e-07, 2.13106396e-04],
[1.53770895e-06, 1.72272063e-08, 1.98980865e-06, 3.97882580e-08,
9.97192323e-01, 1.10544443e-05, 1.54713348e-06, 2.81727880e-05,
3.48721733e-06, 2.75991508e-03]], dtype=float32)>
Kesimpulan
Selamat! Anda telah melatih model pembelajaran mesin menggunakan set data bawaan menggunakan Keras API.
Untuk lebih banyak contoh penggunaan Keras, lihat tutorialnya . Untuk mempelajari lebih lanjut tentang membangun model dengan Keras, baca panduannya . Jika Anda ingin mempelajari lebih lanjut tentang memuat dan menyiapkan data, lihat tutorial tentang memuat data gambar atau memuat data CSV .