{"id":1258,"date":"2017-12-06T21:18:07","date_gmt":"2017-12-06T21:18:07","guid":{"rendered":"http:\/\/demensdeum.com\/blog\/?p=1258"},"modified":"2024-12-16T22:32:44","modified_gmt":"2024-12-16T19:32:44","slug":"simple-example-tensorflow","status":"publish","type":"post","link":"https:\/\/demensdeum.com\/blog\/pt\/2017\/12\/06\/simple-example-tensorflow\/","title":{"rendered":"Exemplo simples do TensorFlow"},"content":{"rendered":"

Apresento a sua aten\u00e7\u00e3o um exemplo simples de como trabalhar com um framework para trabalhar com Deep Learning – TensorFlow. Neste exemplo, ensinaremos uma rede neural a detectar n\u00fameros positivos, negativos e zero. Instala\u00e7\u00e3o do TensorFlow<\/a> e CUDA<\/a> Eu te instruo, esta tarefa realmente n\u00e3o \u00e9 f\u00e1cil)<\/p>\n

Para resolver problemas de classifica\u00e7\u00e3o, classificadores<\/a>. TensorFlow<\/a> tem v\u00e1rios classificadores de alto n\u00edvel prontos que exigem configura\u00e7\u00e3o m\u00ednima para funcionar. Primeiro, treinaremos DNNClassifier<\/a> usando conjunto de dados com n\u00fameros positivos, negativos e zero – com os “r\u00f3tulos” corretos. No n\u00edvel humano, um conjunto de dados \u00e9 um conjunto de n\u00fameros com resultados de classifica\u00e7\u00e3o (r\u00f3tulos):<\/p>\n

10 – positivo<\/em><\/strong>
-22– negativo<\/em><\/strong>
0 – zero<\/em><\/strong>
42 – positivo
… outros n\u00fameros com classifica\u00e7\u00e3o
<\/em><\/strong>
Em seguida, inicia-se o treinamento, ap\u00f3s o qual voc\u00ea pode inserir n\u00fameros que nem foram inclu\u00eddos no conjunto de dados – a rede neural deve identific\u00e1-los corretamente.
Abaixo est\u00e1 o c\u00f3digo completo do classificador com gerador de conjunto de dados para treinamento e dados de entrada:
<\/p>\n

\n
importar<\/span> tensorflow<\/span>importar<\/span> itertools<\/span>importar<\/span> aleat\u00f3rio<\/span>de<\/span> tempo<\/span> tempo de importa\u00e7\u00e3o<\/span>class<\/span> ClassifiedNumber<\/span>:__n\u00famero =<\/span> 0<\/span>__classifiedAs =<\/span> 3<\/span>def<\/span> __init__<\/span>(self<\/span>, n\u00famero):self<\/span>.<\/span>__number =<\/ intervalo> n\u00fameroif<\/span> n\u00famero ==<\/span> 0<\/span>:self<\/span>.<\/span>__classifiedAs =<\/ span> 0<\/span> # zero<\/span>elif<\/span> n\u00famero ><\/span> 0<\/span>:self<\/span>.<\/span>__classifiedAs =<\/ span> 1<\/span> # positivo<\/span>elif<\/span> n\u00famero <<\/span> 0<\/span>:self<\/span>.<\/span>__classifiedAs =<\/ span> 2<\/span> # negativo<\/span>def<\/span> n\u00famero<\/span>(eu<\/span>):return<\/span> self<\/span>.<\/span>__n\u00famerodef<\/span> classificadoAs<\/span>(eu<\/span>):return<\/span> self<\/span>.<\/span>__classificadoAsdef<\/span> classifiedAsString<\/span>(classifiedAs):if<\/span> classificadoAs ==<\/span> 0<\/span>:return<\/span> \"Zero\"<\/span>elif<\/span> classificadoAs ==<\/span> 1<\/span>:return<\/span> \"Positivo\"<\/span>elif<\/span> classificadoAs ==<\/span> 2<\/span>:return<\/span> \"Negativo\"<\/span>def<\/span> trainDatasetFunction<\/span>():trainNumbers =<\/span> []trainNumberLabels =<\/span> []para<\/span> i em<\/span> intervalo<\/span>(-<\/span>1000<\/span>, 1001<\/span>):n\u00famero =<\/span> N\u00fameroClassificado(i)trainNumbers.<\/span>append(number.<\/span>number())trainNumberLabels.<\/span>append(number.<\/span>classifiedAs())return<\/span> ( {\"number\"<\/span> : trainNumbers } , trainNumberLabels)def<\/span> inputDatasetFunction<\/span>():global<\/span> randomSeedrandom.<\/span>seed(randomSeed) # para obter o mesmo resultado<\/span>n\u00fameros =<\/span> []para<\/span> i em<\/span> intervalo<\/span>(0<\/span>, 4<\/span>):n\u00fameros.<\/span>append(random.<\/span>randint(-<\/span>9999999<\/span>, 9999999<\/span>))return<\/span> {\"n\u00famero\"<\/span> : n\u00fameros }def<\/span> principal<\/span>():print<\/span>(\"Teste do classificador de n\u00fameros Positive-Negative-Zero do TensorFlow por demensdeum 2017 (demensdeum@gmail. com)\"<\/span>)maximalClassesCount =<\/span> len<\/span>(definir< \/span>(trainDatasetFunction()[1<\/span>])) +<\/span> 1<\/span>numberFeature =<\/span> tensorflow.<\/span>feature_column. <\/span>numeric_column(\"n\u00famero\"<\/span>)classificador =<\/span> tensorflow.<\/span>estimador. <\/span>DNNClassifier(feature_columns =<\/span> [numberFeature], unidades_ocultas =<\/span> [10<\/span>, 20<\/span>, 10<\/span>], n_classes =<\/span> maximalClassesCount)gerador =<\/span> classificador.<\/span>train(input_fn =<\/span> trainDatasetFunction, etapas =<\/span> 1000<\/span>).<\/span>predict(input_fn = <\/span> inputDatasetFunction)inputDataset =<\/span> inputDatasetFunction()resultados =<\/span> lista<\/span>(itertools. <\/span>islice(generator, len<\/span>(inputDatasetFunction()[\"n\u00famero\"<\/span>])))i =<\/span> 0<\/span>para<\/span> resultado em<\/span> resultados:imprimir<\/span>(\"n\u00famero: %d classificado como %s\"<\/span> %<\/span> (inputDataset[\"n\u00famero\"<\/span>][i], classificadoAsString(result[\"class_ids\"<\/span>][0<\/span> ])))i +=<\/span> 1<\/span>randomSeed =<\/span> tempo()principal()<\/pr\u00e9><\/div>\n
Tudo come\u00e7a no m\u00e9todo main(), definimos a coluna num\u00e9rica com a qual o classificador ir\u00e1 funcionar – tensorflow.feature_column.numeric_column(“number”)<\/strong> Em seguida, os par\u00e2metros do classificador s\u00e3o definidos. \u00c9 in\u00fatil descrever os argumentos de inicializa\u00e7\u00e3o atuais, pois a API muda todos os dias, e voc\u00ea definitivamente deve consultar a documenta\u00e7\u00e3o da vers\u00e3o instalada do TensorFlow e n\u00e3o confiar em manuais desatualizados.<\/p>\n
Em seguida, \u00e9 lan\u00e7ado o treinamento indicando uma fun\u00e7\u00e3o que retorna um conjunto de dados de n\u00fameros de -1000 a 1000 (trainDatasetFunction<\/strong>), com a classifica\u00e7\u00e3o correta desses n\u00fameros com base em positivo, negativo ou zero. A seguir, enviamos como entrada n\u00fameros que n\u00e3o estavam no conjunto de dados de treinamento – aleat\u00f3rio de -9999999 a 9999999 (inputDatasetFunction<\/strong>) para classific\u00e1-los.<\/p>\n
Finalmente, lan\u00e7amos itera\u00e7\u00f5es com base no n\u00famero de dados de entrada (itertools.islice<\/strong>), imprimimos o resultado, executamos e ficamos surpresos:<\/p>\n
<\/p>\n
\n
n\u00famero: 4063470 classificado como Positivon\u00famero: 6006715 classificado como Positivon\u00famero: -5367127 classificado como Negativon\u00famero: -7834276 classificado como Negativo<\/pr\u00e9><\/div>\n
\n
EST\u00c1 VIVO<\/a <\/p>\n<\/blockquote>\n