Exécution de MINST dans TensorFlow 2.0 et visualisation dans TensorBoard (version 2019)
introduction
- Le didacticiel officiel TensorFlow Démarrage rapide pour débutants fournit des exemples de formation et d'évaluation à l'aide de l'ensemble de données MNIST.
- Dans cet article, j'essaierai réellement d'apprendre et d'évaluer MINST, et j'écrirai sur la visualisation du processus d'apprentissage et du flux de données avec TensorBoard.
environnement
- Windows10 Pro 64bit
- Python 3.7.4
- Visual Studio Code 1.40
- La connexion externe nécessite une authentification proxy
Introduction de TensorFlow
- Installez avec pip à partir de l'invite de commande, et l'environnement d'implémentation est sous le proxy, donc les paramètres du proxy sont également définis à l'avance.
set HTTP_PROXY=Paramètres du proxy
set HTTPS_PROXY=Paramètres du proxy
pip install tensorflow
Exécutez MINST
- Copiez le contenu du tutoriel officiel tel quel
from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
#Charge de données
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
#Empiler les couches tf.keras.Construire un modèle séquentiel
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)), #Lisser les données 2D de taille 28x28 à 784 données 1D
tf.keras.layers.Dense(128, activation='relu'), #Spécifiez la fonction de rampe comme fonction d'activation
tf.keras.layers.Dropout(0.2), #Spécifier le taux d'abandon pour éviter le surapprentissage
tf.keras.layers.Dense(10, activation='softmax') #Spécifiez Soft Plus pour la fonction d'activation
])
#Choisissez un optimiseur et une fonction de perte pour l'entraînement
model.compile(optimizer='adam', #Décidez comment optimiser l'apprentissage
loss='sparse_categorical_crossentropy', #Décidez comment définir la perte
metrics=['accuracy'])
#Former le modèle
model.fit(x_train, y_train, epochs=5)
#Renvoie la valeur de perte et la valeur d'évaluation du modèle
model.evaluate(x_test, y_test, verbose=2)
- Si vous l'exécutez tel quel, une erreur d'authentification proxy se produira dans la partie chargement des données.
- Étant donné que les paramètres du proxy sont gênants, téléchargez les données directement à l'aide d'un navigateur (URL de téléchargement ici)
- Si vous placez le fichier de données téléchargé (mnist.npz) ci-dessous, il sera lu localement.
Destination du placement des données
C:\Users\Nom d'utilisateur\.keras\datasets
- Si vous exécutez le script ci-dessus avec le fichier de données placé localement, le résultat suivant sera affiché.
Résultat d'exécution
Train on 60000 samples
Epoch 1/5
2019-11-13 14:08:58.762382: I tensorflow/core/profiler/lib/profiler_session.cc:184] Profiler session started.
60000/60000 [==============================] - 5s 82us/sample - loss: 0.2946 - accuracy: 0.9146 - val_loss: 0.1343 - val_accuracy: 0.9589
Epoch 2/5
60000/60000 [==============================] - 4s 66us/sample - loss: 0.1435 - accuracy: 0.9578 - val_loss: 0.1014 - val_accuracy: 0.9698
Epoch 3/5
60000/60000 [==============================] - 4s 67us/sample - loss: 0.1082 - accuracy: 0.9675 - val_loss: 0.0840 - val_accuracy: 0.9737
Epoch 4/5
60000/60000 [==============================] - 4s 67us/sample - loss: 0.0852 - accuracy: 0.9743 - val_loss: 0.0780 - val_accuracy: 0.9758
Epoch 5/5
60000/60000 [==============================] - 4s 66us/sample - loss: 0.0742 - accuracy: 0.9767 - val_loss: 0.0686 - val_accuracy: 0.9780
10000/1 - 0s - loss: 0.0365 - accuracy: 0.9780
- ** précision: 0,9780 ** est le taux de réponse correct en utilisant les données de test
Visualisation du processus d'apprentissage à l'aide de TensorBoard
- Modification du script pour afficher le journal pour TensorBoard
from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
#Charge de données
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
#Empiler les couches tf.keras.Construire un modèle séquentiel
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)), #Lisser les données 2D de taille 28x28 à 784 données 1D
tf.keras.layers.Dense(128, activation='relu'), #Spécifiez la fonction de rampe comme fonction d'activation
tf.keras.layers.Dropout(0.2), #Spécifier le taux d'abandon pour éviter le surapprentissage
tf.keras.layers.Dense(10, activation='softmax') #Spécifiez Soft Plus pour la fonction d'activation
])
#Choisissez un optimiseur et une fonction de perte pour l'entraînement
model.compile(optimizer='adam', #Décidez comment optimiser l'apprentissage
loss='sparse_categorical_crossentropy', #Décidez comment définir la perte
metrics=['accuracy'])
#Fonction de rappel de sortie de journal pour tensorboard
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir="log_dir", histogram_freq=1)
#Former le modèle
model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test), callbacks=[tensorboard_callback])
#Renvoie la valeur de perte et la valeur d'évaluation du modèle
model.evaluate(x_test, y_test, verbose=2)
- Extrait uniquement pour les modifications.
#Fonction de rappel de sortie de journal pour tensorboard
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir="log_dir", histogram_freq=1)
#Former le modèle
model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test), callbacks=[tensorboard_callback])
- Lorsque le script modifié est exécuté, un dossier "log_dir" est créé dans le dossier où le script est stocké.
- Avec le dossier "log_dir" existant, exécutez ce qui suit à partir de l'invite de commande
tensorboard --logdir='./log_dir'
- Vous pouvez afficher l'écran TensorBoard en accédant aux éléments suivants avec un navigateur.
- http://localhost:6006/
- La partie graphique principale visualise le processus d'apprentissage
Résumé
- Je viens de faire le contenu du tutoriel officiel, mais je me sentais en quelque sorte comme un ingénieur faisant de l'apprentissage automatique.
- Je ne connais pas du tout les détails, donc j'étudierai petit à petit à partir de maintenant.
Recommended Posts