tensorflowチュートリアル - kazu22002の技術覚書

tensorflowのチュートリアルをそのまま実行し、書いた内容を理解するための記事です。

www.tensorflow.org

コメントもチュートリアルに書いてある内容を書き込み、自分の理解できるように追記してみました。

import tensorflow as tf

# 画像を分類するニューラルネットワークを構築する
# このニューラルネットワークを訓練する
# そして最後に、モデルの正解率を評価する

mnist = tf.keras.datasets.mnist

## xは28x28の白黒のデータ
## yは正解の値
(x_train, y_train), (x_test, y_test) = mnist.load_data()
print(y_train)
## 白黒のためグレースケールになっており0-255の内容になっている。255で割り浮動小数点へ変換
x_train, x_test = x_train / 255.0, x_test / 255.0

# 層の設定
# 層を積み重ねてtf.keras.Sequentialモデルを構築します。訓練のためにオプティマイザと損失関数を選びます。
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)
])

# モデルはそれぞれの標本について、クラスごとに"ロジット"や"対数オッズ比"と呼ばれるスコアを算出します。
## predictions = 予測
predictions = model(x_train[:1]).numpy()
print(predictions)

# tf.nn.softmax 関数はクラスごとにこれらのロジットを "確率" に変換します。
## ソフトマックスは単語だけ聞いたことがあります。
tf.nn.softmax(predictions).numpy()
print(predictions)

# 損失関数は、ロジットと True の インデックスに関するベクトルを入力にとり、それぞれの標本についてクラスごとに損失のスカラーを返します。
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)

## モデルのコンパイル
## Adamオプティマイザ
## オプティマイザについては別途勉強したほうが良い。今はおまじないみたいな状態
# メトリクス（metrics） —訓練とテストのステップを監視するのに使用します。下記の例ではaccuracy （正解率）、つまり、画像が正しく分類された比率を使用しています
model.compile(optimizer='adam',
              loss=loss_fn,
              metrics=['accuracy'])

# Model.fit メソッドは損失を最小化するようにモデルのパラメータを調整します。
## データから訓練をしてmodelを鍛えている部分
model.fit(x_train, y_train, epochs=5)

# Model.evaluate メソッドはモデルの性能を検査します。
## データの検証
model.evaluate(x_test,  y_test, verbose=2)