TensorFlow para iniciantes: o que é o TensorFlow?

Name: TensorFlow para iniciantes: o que é o TensorFlow?
Author: Josh Turner

Descubra os princípios básicos do TensorFlow e as suas aplicações de aprendizagem profunda

Preview the first lesson free — get full access to all 3 lessons.

Curso: sob demanda

Olá, meu nome é Josh Turner. Nestas lições, você aprenderá sobre dados do TensorFlow e pré-processamento, modelos do TensorFlow e TensorFlow ferramentas profissionais. Vamos começar com a primeira lição. Nesta lição, vou ensiná-lo sobre o necessário bibliotecas para fazer pré-processamento de dados. Definiremos algumas variáveis e pré-processaremos nosso próprio treinamento, validação e teste do conjunto de dados. Vamos começar. A primeira coisa que preciso que você faça é acessar o site kaggle. com. Quando estiver lá, você pode navegar até a guia Conjuntos de dados e pesquise o conjunto de dados de classificação de imagens de satélite. Depois de encontrá-lo, você pode baixar a imagem de satélite Conjunto de dados de classificação para uma pasta local por conta própria computador. Vá para a pasta, e você verá que temos quatro classes diferentes de imagens, nublado, deserto, área verde e água. Depois de fazer isso com sucesso, abra o editor Python de sua escolha. Começaremos com as primeiras etapas em nosso pré-processamento de dados biblioteca. A primeira coisa que preciso que você faça é importar o necessário bibliotecas. Importaremos NumPy para que possamos lidar com matemática cálculos e matrizes. Importaremos o TensorFlow para que possamos usar o completo capacidades. Em particular, usaremos o TensorFlow .keras . biblioteca de pré-processamento e importar o Função imageDatasetFromDirectory. Esta será a função que usaremos para fazer nosso pré-processamento. Depois de fazer isso com sucesso, digite isto código, execute-o para ver se funciona bem. Tudo bem, até agora, tudo bem. A próxima etapa em nosso pré-processamento de dados é definir alguns variáveis. Onde quer que você tenha salvo seu imageDataset em seu diretório, você pode copiar o texto na barra de cookies e definir o seguintes variáveis. Defina uma variável chamada diretório e, entre aspas duplas, coloque-a igual ao diretório que você copiou da barra de cookies. Como observação lateral, lembre-se de que você terá que mudar a parte de trás barras em barras, ou o Python apresentará um erro. Depois disso, criaremos uma variável chamada batchSize e use um número arbitrário como 32. Depois disso, criaremos outra variável chamada imageSize e use outro número quadrado arbitrário por 160 por 160. Vamos executar essas linhas de código para garantir que tudo funcione OK. Tudo bem, até agora, tudo bem. O próximo passo é usar essas variáveis e este diretório para crie um conjunto de dados de treinamento. Para fazer isso, crie uma variável chamada train e digite o seguinte código. Defina o trem igual a imageDataset do diretório, a função que importamos anteriormente. Isso tomará como variáveis os rótulos dos diretórios, que será inferido do diretório, parâmetros aleatórios definidos como falsos para que não misturemos os conjuntos de teste e validação. Para este, a divisão de validação será de 20% de validação e 80% para treinamento, e este será o subconjunto de treinamento. Usaremos um batchSize da variável que criamos anteriormente e um imageSize da variável que criamos anteriormente. Isso completará o conjunto de dados de treinamento. Certifique-se de ter todas as vírgulas corretas no lugar ou você receberá um erro. Execute essas linhas de código e veremos o primeiro passo no pré -processando nosso conjunto de dados de imagens. Depois de executar essas linhas de código, você verá que O TensorFlow informará que encontrou 5.631 arquivos pertencentes para quatro turmas utilizando 4.505 arquivos para treinamento. Se você receber um erro CUDA como este em sua máquina, não se preocupe, é só porque você não está aproveitando ao máximo das GPUs TensorFlow. Certo, ótimo. Agora, o bom é que também podemos fazer a mesma coisa para o conjunto de validação. Só precisamos mudar algumas pequenas coisas. Copie e cole o código acima e refaça tudo para o conjunto de dados de validação. Depois de copiá-lo e colá-lo, mudaremos algumas coisas para criar um conjunto de dados de validação. Ainda usaremos a divisão de validação de 20% e mudaremos o subconjunto de treinamento para validação e mudaremos o nome da variável de trem para validação. Todo o resto permanecerá o mesmo. Ok, então vamos mudar o nome para validação. Tudo bem, e a próxima coisa que queremos mudar é o subconjunto. Este não será o subconjunto de treinamento, será a validação subconjunto. Certo, ótimo. Até agora tudo bem. Novamente, vemos que encontramos 5.631 arquivos pertencentes a quatro classes. 1.126 usos para validação. O que significa treinar e validar arquivos? Bem, isso significa apenas que treinaremos um modelo em 80% do os arquivos e então usaremos os 20% restantes para criar um conjunto de dados de teste. O restante desse conjunto de dados de teste será chamado de conjunto de dados de validação. Usaremos o conjunto de dados de validação para ajustar os parâmetros do nosso modelo para obter o melhor ajuste para qualquer uso caso é para o nosso problema. Ok, agora vamos criar o conjunto de dados de teste. Faremos isso a partir do conjunto de dados de validação que criamos mais cedo. Então, vamos ver como isso funciona. Primeiro, queremos criar uma variável chamada valbatches. Usaremos os dados do TensorFlow função de cardinalidade experimental. Isso apenas nos diz quantos elementos de validação existem em cada lote. Então, se pegássemos um lote de 32, talvez oito deles pudessem ser da validação. É amostrado aleatoriamente. Dentro disso, como parâmetro, digite validação. Próximo, definiremos uma variável chamada conjunto de dados de teste. Defina o teste igual a validação.takevalbatches. E usaremos o símbolo de divisão dupla em Python dividido por cinco. Então, isso significa basicamente 20% das validações que faremos para teste. E então vamos pular o que resta e esse será o novo conjunto de validação que usaremos para ajustar os parâmetros do nosso modelo. Execute essas linhas de código e certifique-se de que tudo funcionou bem. Ótimo, até agora tudo bem. Obrigado por assistir. Fique ligado na próxima lição, onde você aprenderá sobre Modelos TensorFlow.

Principiante Fornecedor : Josh Turner 3 lições · 15m em Árabe, Alemão, Inglês, Espanhol, Francês, Português, Chinese

Descrição do curso

O TensorFlow é uma popular biblioteca de software de código aberto para aprendizagem profunda e é amplamente utilizado em aplicações de aprendizagem automática. Nestas lições, aprenderá sobre a divisão de treino/validação mais comum e a importância de manter um equilíbrio entre os dois conjuntos. Também descobrirá uma das técnicas de pré-processamento que o TensorFlow fornece para imagens, que é crucial para melhorar a precisão do modelo. Além disso, irá explorar a utilização de dados baralhados no treino e se é aconselhável misturá-los com uma divisão de validação de treino.

Em seguida, você mergulhará nos conceitos básicos das camadas achatada e densa no TensorFlow. A camada de achatamento remodela os dados de entrada numa matriz unidimensional, enquanto a camada densa liga todos os neurónios da camada anterior à seguinte. Aprenderá também sobre a classe de modelo utilizada no TensorFlow, que é uma ferramenta fundamental para a construção de modelos de aprendizagem profunda.

De um modo geral, obterá informações sobre os diferentes tipos de problemas de visão e áudio que o TensorFlow pode resolver. Descobrirá a importância de treinar em um conjunto de teste separado e por que não é aconselhável treinar em dados de teste.

O Que Você Vai Aprender

Compreenda a divisão mais comum entre treinamento e validação e a importância de equilibrar os dois conjuntos
Aplique uma técnica de pré-processamento de imagens do TensorFlow para melhorar a precisão do modelo
Avalie o uso de dados embaralhados no treinamento e se deve misturá-lo com uma divisão entre treinamento e validação
Explore as camadas de achatamento e densa no TensorFlow e como elas reformatam e conectam dados
Construa modelos de aprendizado profundo usando a classe de modelo TensorFlow
Identifique os tipos de problemas de visão e áudio que o TensorFlow pode resolver

Principais Conclusões

TensorFlow é uma biblioteca de software de código aberto popular para aprendizado profundo amplamente utilizada em aplicações de aprendizado de máquina.
Manter um equilíbrio entre os conjuntos de treinamento e validação é importante ao dividir dados.
A camada de achatamento reformata dados de entrada em uma matriz unidimensional, enquanto a camada densa conecta todos os neurônios da camada anterior ao próximo.
A classe de modelo é uma ferramenta fundamental para construir modelos de aprendizado profundo no TensorFlow.
O treinamento deve ser feito em um conjunto de teste separado, e não é aconselhável treinar em dados de teste.

Perguntas Frequentes

O que é TensorFlow de acordo com este curso?

TensorFlow é uma biblioteca de software de código aberto popular para aprendizado profundo amplamente utilizada em aplicações de aprendizado de máquina.

Que tópicos este curso cobre?

Cobre a divisão comum entre treinamento e validação, uma técnica de pré-processamento de imagens do TensorFlow, o uso de dados embaralhados no treinamento, as camadas de achatamento e densa, a classe de modelo TensorFlow e os tipos de problemas de visão e áudio que o TensorFlow pode resolver.

Que habilidades vou ganhar com este curso?

Você ganhará habilidades em Aprendizado Profundo, Métodos de Aprendizado Profundo, Treinamento de Modelo de Aprendizado de Máquina, TensorFlow, Conjuntos de Dados de Treinamento e Aprendizado de Transferência.

Que lições estão incluídas?

O curso inclui as lições Dados TensorFlow e Pré-processamento de Dados, Modelos TensorFlow e Ferramentas Profissionais.

Por que não deverei treinar em dados de teste?

O curso explica a importância do treinamento em um conjunto de teste separado e por que não é aconselhável treinar em dados de teste.