Comecando tensorflow
0 gostou226 visualizações
O documento apresenta uma introdução ao TensorFlow, uma plataforma de código aberto para aprendizado de máquina, detalhando suas ferramentas, bibliotecas e linguagens de programação suportadas. Ele descreve como construir e treinar modelos de machine learning usando diferentes APIs do TensorFlow, incluindo exemplos práticos de tarefas como Visual Question Answering. Além disso, o documento fornece dicas e recursos para aprender mais sobre TensorFlow e suas funcionalidades.
![x = tf.constant([[5, 2],[1, 3]])
print(x)
tf.Tensor(
[[5 2]
[1 3]], shape=(2,2), dtype=int32)
Constants](https://image.slidesharecdn.com/comecandotensorflow-200313174709/85/Comecando-tensorflow-6-320.jpg)
![x.numpy()
array([[5, 2]
[1, 3]], dtype=int32)
Tensores para NumPy](https://image.slidesharecdn.com/comecandotensorflow-200313174709/85/Comecando-tensorflow-7-320.jpg)
![a = tf.random.normal(shape=(2,2))
b = tf.random.normal(shape=(2,2))
c = a + b
d = tf.square©
array([[5, 2]
[1, 3]], dtype=int32)
Matemática no TF2 funciona como NumPy](https://image.slidesharecdn.com/comecandotensorflow-200313174709/85/Comecando-tensorflow-8-320.jpg)
![merged = layers.concatenate([encoded_image,
encoded_question])
Input Question
(Vectorized, Padded)
Input Image
(Normalized)
Embedding
LSTM
Conv2D and
Maxpooling2D stack
Concatenate
Dense/Softmax](https://image.slidesharecdn.com/comecandotensorflow-200313174709/85/Comecando-tensorflow-18-320.jpg)
![#Classificador
output = Dense(1000,
activation=‘softmax’)(merged)
#Construção do Modelo que você pode treinar
#com .fit, .train_on_batch ou GradientTape
vqa_model = Model(inputs=[image_input,
question_input],
outputs=output)
#visualizando modelo
from tensorflow.keras.utils import plot_model
plot_model(vqa_model, to_file=‘modelo.png’)
Input Question
(Vectorized, Padded)
Input Image
(Normalized)
Embedding
LSTM
Conv2D and
Maxpooling2D stack
Concatenate
Dense/Softmax](https://image.slidesharecdn.com/comecandotensorflow-200313174709/85/Comecando-tensorflow-19-320.jpg)
![model.compile(optimizer=Adam(),
loss=BinaryCrossentropy(),
metrics=[AUC(), Precision(), Recall()])
model.fit(data,
epochs=10,
validation_data=val_data,
callbacks=[EarlyStopping(),
TensorBoard(),
ModelCheckpoint()])](https://image.slidesharecdn.com/comecandotensorflow-200313174709/85/Comecando-tensorflow-24-320.jpg)
Comecando tensorflow
- 1. Começando com TensorFlow Escreva seus próprios modelos de Machine Learning !1 Sandro Moreira moreira.sandro@gmail.com
- 2. Sandro Moreira - Professor em cursos de Graduação e Pós Graduação da Universidade de Rio Verde (UniRV) - Mestre em Engenharia Mecânica (UNESP) - Doutorando em Ciência da Computação (UFG) - Consultor de Projetos para Machine Learning - Coorganizador da comunidade GDG Rio Verde - Coorganizador da comunidade TensorFlow Goiás
- 3. O que é TensorFlow? Plataforma de código aberto de ponta a ponta para aprendizado de máquina. Possui um ecossistema abrangente e flexível de ferramentas, bibliotecas e recursos da comunidade que permite que os pesquisadores desenvolvam o que há de mais moderno em ML e os desenvolvedores construam e implantem facilmente aplicativos desenvolvidos por ML.
- 4. Linguagens de Programação Oficiais: Python JavaScript C++ Java Go Swift (Release em Breve) Mantidos por comunidades C#: TensorFlowSharp e TensorFlow.NET Haskell Julia MATLAB Ruby Rust Scala O TensorFlow possui APIs disponíveis em várias linguagens, tanto para a construção quanto para a execução de um gráfico do TensorFlow.
- 5. a = tf.constant(5) b = tf.constant(3) c = a * b print(c) a = tf.constant(5) b = tf.constant(3) c = a * b with tf.Session() as sess: print(sess.run(c)) Simbólico Concreto TF1 TF2 Funções, não sessões
- 6. x = tf.constant([[5, 2],[1, 3]]) print(x) tf.Tensor( [[5 2] [1 3]], shape=(2,2), dtype=int32) Constants
- 7. x.numpy() array([[5, 2] [1, 3]], dtype=int32) Tensores para NumPy
- 8. a = tf.random.normal(shape=(2,2)) b = tf.random.normal(shape=(2,2)) c = a + b d = tf.square© array([[5, 2] [1, 3]], dtype=int32) Matemática no TF2 funciona como NumPy
- 9. Desenvolvimento Produção Data Design tf.data TF Datasets Model Design Keras Estimators Training Distribution Strategy CPU GPU TPU Analisys TensorBoard Serialization Saved Model Model Repository TensorFlow HUB Browser e Node TensorFlow.JS Android, IOS, Arduino, etc TensorFlow Lite e Micro Cloud TensorFlow Services
- 10. Construindo um modelo com TensorFlow Sequencial API + Built-in Layers Functional API + Built-in Layers Functional API +Custom Layers +Custom Metrics +Custom Losses Subclassing: write everything yourself from scratch Novos usuários, modelos simples Engenheiros com demandas padrões Engenheiros que querem maior controle em casos muito específicos Pesquisadores
- 11. Construindo um modelo com TensorFlow Sequencial API + Built-in Layers Functional API + Built-in Layers Functional API +Custom Layers +Custom Metrics +Custom Losses Subclassing: write everything yourself from scratch Novos usuários, modelos simples Engenheiros com demandas padrões Engenheiros que querem maior controle em casos muito específicos Pesquisadores
- 12. model = keras.Sequential() model.add(layers.Dense(32, activation=‘relu’, input_shape=(784,))) model.add(layers.Dense(32, activation=‘relu’)) model.add(layers.Dense(10, activation=‘softmax’))
- 13. Construindo um modelo com TensorFlow Sequencial API + Built-in Layers Functional API + Built-in Layers Functional API +Custom Layers +Custom Metrics +Custom Losses Subclassing: write everything yourself from scratch Novos usuários, modelos simples Engenheiros com demandas padrões Engenheiros que querem maior controle em casos muito específicos Pesquisadores
- 14. Exemplo de Caso de uso mais específico Visual Question Answering (VQA) Tarefa: Dada uma imagem e uma pergunta em linguagem natural, a resposta deve vir em linguagem natural Antol, S. et all; VQA: Visual Question Answering; The IEEE International Conference on Computer Vision (ICCV), 2015 Pergunta: Qual a cor do cachorro da direita? Resposta: Preto
- 15. Antol, S. et all; VQA: Visual Question Answering; The IEEE International Conference on Computer Vision (ICCV), 2015 1 - Usar uma CNN para a imagem 2 - Usar uma LSTM para a pergunta 3 - Concatenar 4 - Classificar com Dense layers Workflow Input Question (Vectorized, Padded) Input Image (Normalized) Embedding LSTM Conv2D and Maxpooling2D stack Concatenate Dense/Softmax
- 16. vision_model = Sequential() vision_model.add(Conv2D(64,(3,3), activation = ‘relu’, input_shape=(224, 224,3))) vision_model.add(MaxPooling2D()) vision_model.add(Flatten()) image_input = Input(shape=(224,224,3)) encode_image = vision_model(image_input) Input Question (Vectorized, Padded) Input Image (Normalized) Embedding LSTM Conv2D and Maxpooling2D stack Concatenate Dense/Softmax
- 17. question_input = Input(shape=(100,), dtype=‘int32’, name=“Question”) embedded = Embedding(input_dim=10000, output_dim=256, input_length=100)(question_input) encoded_question = LSTM(256)(embedded) Input Question (Vectorized, Padded) Input Image (Normalized) Embedding LSTM Conv2D and Maxpooling2D stack Concatenate Dense/Softmax
- 18. merged = layers.concatenate([encoded_image, encoded_question]) Input Question (Vectorized, Padded) Input Image (Normalized) Embedding LSTM Conv2D and Maxpooling2D stack Concatenate Dense/Softmax
- 19. #Classificador output = Dense(1000, activation=‘softmax’)(merged) #Construção do Modelo que você pode treinar #com .fit, .train_on_batch ou GradientTape vqa_model = Model(inputs=[image_input, question_input], outputs=output) #visualizando modelo from tensorflow.keras.utils import plot_model plot_model(vqa_model, to_file=‘modelo.png’) Input Question (Vectorized, Padded) Input Image (Normalized) Embedding LSTM Conv2D and Maxpooling2D stack Concatenate Dense/Softmax
- 20. Construindo um modelo com TensorFlow Sequencial API + Built-in Layers Functional API + Built-in Layers Functional API +Custom Layers +Custom Metrics +Custom Losses Subclassing: write everything yourself from scratch Novos usuários, modelos simples Engenheiros com demandas padrões Engenheiros que querem maior controle em casos muito específicos Pesquisadores
- 21. class MyModel(tf.keras.Model): def "__init"__(self, num_classes=10): super(MyModel, self)."__init"__(name=‘my_model’) self.dense_1 = layers.Dense(32, activation=‘relu’) self.dense_2 = layers.Dense(num_classes,activation=‘softmax’) def call(self, inputs): x = self.dense_1(inputs) return self.dense_2(x)
- 22. Treinando um modelo com TensorFlow model.fit() model.train_on_batch() + callbacks Custom training with GradientTape Experimento Rápido Customizado com checkpoints, Monitoramento com TensorBoard, Enviar mensagens via Slack Customizado com otimizadores e funções de perda específicos Ex: GAN Controle Total Ex: Novos algoritmos de otimização model.fit() + callbacks
- 23. Treinando um modelo com TensorFlow model.fit() model.train_on_batch() + callbacks Custom training with GradientTape Experimento Rápido Customizado com checkpoints, Monitoramento com TensorBoard, Enviar mensagens via Slack Customizado com otimizadores e funções de perda específicos Ex: GAN Controle Total Ex: Novos algoritmos de otimização model.fit() + callbacks
- 25. Usando Notebooks Colab e TensorFlow 2.x bit.ly/2IFyV23Notebook disponível em:
- 26. Recursos - Libraries & Extensions
- 27. Recursos - Libraries & Extensions
- 31. Referências - Introduction to TensorFlow 2.0: Easier for beginners, and more powerful for experts (TF World ’19) - Josh Gordon - Tensorflow Documentation - https://tensorflow.org - Google Colaboratory - https://colab.research.google.com/