Cách định nghĩa mô hình cho tập dữ liệu MNIST bằng TensorFlow

TensorFlow là một framework học máy do Google cung cấp. Đây là một framework mã nguồn mở được sử dụng cùng với Python để triển khai các thuật toán, ứng dụng học sâu và nhiều hơn nữa. Nó có các kỹ thuật tối ưu hóa giúp thực hiện các phép toán phức tạp nhanh chóng nhờ sử dụng NumPy và mảng đa chiều - còn gọi là "tensor". Framework này hỗ trợ làm việc với mạng nơ-ron sâu.

Gói tensorflow có thể cài đặt trên Windows bằng lệnh:

pip install tensorflow

Tensor là cấu trúc dữ liệu trong TensorFlow, giúp kết nối các cạnh trong sơ đồ luồng dữ liệu (Data flow graph). Tensor thực chất là mảng đa chiều hoặc danh sách.

Keras là API học sâu viết bằng Python, chạy trên nền TensorFlow. Đây là API cấp cao với giao diện hiệu quả, giúp giải quyết bài toán học máy nhanh chóng. Keras đã được tích hợp sẵn trong gói TensorFlow và có thể truy cập bằng:

import tensorflow as tf
from tensorflow import keras

Chúng ta sử dụng Google Colaboratory (Colab) để chạy mã dưới đây. Colab cho phép chạy code Python trên trình duyệt, không cần cấu hình và cung cấp GPU miễn phí. Colab được xây dựng dựa trên Jupyter Notebook.

Ví dụ

print("Đang định nghĩa mô hình sequential")
def create_model():
    model = tf.keras.models.Sequential([
        keras.layers.Dense(512, activation='relu', input_shape=(784,)),
        keras.layers.Dropout(0.2),
        keras.layers.Dense(10)
    ])
    model.compile(optimizer='adam',
                  loss=tf.losses.SparseCategoricalCrossentropy(from_logits=True),
                  metrics=[tf.metrics.SparseCategoricalAccuracy()])
    return model

print("Đang tạo instance mô hình")
model = create_model()
print("Hiển thị kiến trúc mô hình sequential")
model.summary()

Nguồn mã: TensorFlow Tutorials

Đầu ra

Giải thích

• Tạo mô hình sequential (tuần tự) bằng Keras.
• Xây dựng các lớp dense (đầy đủ kết nối).
• Biên dịch mô hình với optimizer Adam và hàm loss phù hợp.
• Khởi tạo instance của mô hình.
• Hiển thị chi tiết kiến trúc qua phương thức summary().