Claire's Blog

TensorFlow認證計劃課程 以下為介紹網頁 https://www.tensorflow.org/certificate 在這個網頁當中，他們推薦了幾個課程 Udacity 的《TensorFlow 在深度學習中的應用簡介》課程 Coursera 的《DeepLearning.AI TensorFlow Developer 專業證書》 而我選擇了Udacity的課程(因為免費)，而且可以有中文字幕 必備知識 為了順利完成考試，應試者應該了解以下知識： 機器學習和深度學習的基本原則 在TensorFlow 2.x 中構建機器學習模型 使用深度神經網絡和卷積神經網絡構建圖像識別算法、對象檢測算法、文本識別算法 使用不同形狀和大小的真實圖像可視化圖像的捲積過程，了解計算機如何“觀察”信息、繪製損失和準確率圖 探索防止過擬合的策略，包括增強和丟棄策略 在TensorFlow 中使用神經網絡解決自然語言處理問題 認證考試使用的工具 PyCharm 因此應熟悉在PyCharm中撰寫Python程式、Debug及Compiler。 此為社區版連結: https://www.jetbrains.com/pycharm/download/#section=windows 若是仍有學生的email信箱，則可以免費申請專業版: https://www.jetbrains.com/community/education/#students 認證考試的內容 雖然我們不一定要去獲得認證，但是從認證考試範圍可以了解，要學習Tensorflow有那些東西是官方認為必備的知識，以下為官方的認證說明文件: TF_Certificate_Candidate_Handbook TensorFlow開發技能 在PyCharm中寫程式Python的知識，解決Python問題，並編譯和執行Python程式。 了解如何查找有關 TensorFlow API 的信息，包括如何查找指南和…

數據增強 數據增強（Data Augmentation）是一種在不增加真實數據的情況下，通過對現有數據進行變化來增加數據集大小的方法。 請參見: https://www.tensorflow.org/api_docs/python/tf/keras/preprocessing/image/ImageDataGenerator 常見的數據增強技術包括: 尺度變換: 對圖像進行放大或縮小。 旋轉: 對圖像進行旋轉。 平移: 對圖像進行平移。 剪裁: 對圖像進行剪裁。 翻轉: 對圖像進行水平或垂直翻轉。 調整亮度: 對圖像的亮度進行調整。 調整對比度: 對圖像的對比度進行調整。 通過使用這些技術，可以從現有的數據集中生成新的數據，以增加數據集的大小 使用數據增強的範例 – 使用ImageDataGenerator 以下為一個簡單範例 數據增強範例2 – 載入圖片decode_jpeg後隨機改變圖像 梗圖分享

偏差值的功能 偏差值 在神經網絡中扮演著一個非常重要的角色，它就像是一個額外的參數，讓模型能夠更靈活地擬合數據。 偏差值與權重的關係 神經元的權重與偏差 在神經網絡中，權重 (weight) 和偏差 (bias) 是模型的兩個重要參數。 權重 (weight) 指的是神經網絡中的輸入層和輸出層之間的連接強度。每個神經元都有一個權重矩陣，表示與該神經元相連的輸入張量的強度。輸入張量與輸出張量之間的權重越大，該神經元對輸出的貢獻就越大。 偏差 (bias) 指的是神經網絡中的偏移量。每個神經元都有一個偏差值，表示該神經元的輸出在不考慮輸入的情況下的預設值。偏差值可以控制神經網絡的輸出範圍，並且可以用於控制模型的準確性。 在訓練神經網絡模型時，通常會使用梯度下降法來調整權重和偏差的值，以使得模型的輸出與真實值的差異最小。 設定神經元的偏差值 在訓練神經網絡模型時，通常可以自己設定神經元的偏差值。 例如，在 TensorFlow 中可以使用以下方式創建一個帶有偏差的神經元: 上面使用了 bias_initializer 參數指定了偏差的初始值為 1.0。 使用梯度下降法調整偏差值 在訓練神經網絡模型時，通常會使用梯度下降法來調整偏差的值，以使得模型的輸出與真實值的差異最小。通常會使用 TensorFlow 的自動微分機制來計算模型的梯度，並使用梯度下降法調整偏差的值。 簡單範例 最後我們檢查了神經元的偏差值，可以看到它已經從 1.0 調整到了 0.9。 手動設定神經元的偏差值 以下為一個簡單範例

什麼是自動求導機制 在 TensorFlow 中，有一種特殊的張量類型叫做梯度張量，可以用於計算模型的梯度。 TensorFlow 的梯度張量是一種特殊的張量，其中包含了模型中每個變量的梯度信息。梯度張量是 TensorFlow 的自動微分機制的基礎，可以通過 TensorFlow 的自動微分機制來計算模型的梯度。 使用方法介紹 使用 GradientTape 類的方法是: 在計算圖的上下文中創建一個 GradientTape 對象。 使用 GradientTape 對象的 watch 方法監視計算圖中的變量。 執行計算圖，並在計算圖中使用 TensorFlow 的運算符操作張量。 使用 GradientTape 對象的 gradient 方法計算模型的梯度。 使用範例 在機器學習中，我們經常需要計算函數的導數。TensorFlow 提供了強大的自動求導機制來計算導數。以下程式展示了如何使用 tf. GradientTape()方法計算函數，y(x)=x^2在x=3時的導數： import tensorflow as tf x…

使用方式 使用keras構建深度學習模型，我們會通過model.summary()輸出模型各層的參數狀況，如下： 輸出範例 參數意義 在這個輸出中，Total params 表示模型的總參數數量，可以用來反推模型的大小。請注意，模型的大小不僅僅是參數數量的函數，還可能受到訓練資料的大小、訓練次數等因素的影響。 Param就是參數的意思，也就是每層神經元的權重(w)個數。 怎麼算出來的？Param = (輸入維度+1) * 輸出的神經元個數，但是每個神經元都要考慮到有一個Bias，所以要再加上1。

為什麼要盡量使用Tensorflow的圖像操作功能 因為Tensorflow對GPU的支援度高，盡量完全使用Tensorflow內建的圖像操作功能對圖像做操作，可以避免資料在GPU和CPU之間轉換。 將資料集轉為dataset 可以使用 TensorFlow 的 tf.data.Dataset API 將訓練圖像和標籤轉換為數據集。 首先，需要將訓練圖像和標籤轉換為 TensorFlow 張量： 然後，使用 tf.data.Dataset.from_tensor_slices 方法將張量轉換為數據集： 使用 tf.data.Dataset 中的方法對數據集進行轉換和操作，例如混淆、重新排列和批次化。例如，要將數據集混淆並分成小批次 將BGR的tensor物件轉為灰階 可以使用rgb_to_grayscale將 BGR 格式的圖片轉換為灰階： 在 TensorFlow 中，通常會將圖片的數據型別轉換為浮點數，因為浮點數能夠提供更大的精度和更多的值域。浮點數通常用於訓練模型和進行數值運算。 例如，在進行影像辨識任務時，您可能會將圖片的像素值轉換為浮點數，以便模型能夠更好地學習圖片中的特徵。同樣地，在進行數值運算時，浮點數也能夠提供更高的精度，以便得到更精確的結果。 注意：不同的數據型別有不同的值域和精度，因此在選擇數據型別時，需要考慮您的應用程序的需求 將灰階圖片轉成黑白 使用以下方法將灰階圖片轉換為黑白圖片（類似 OpenCV 的 threshold）： 我們先設定閾值（在這裡設為 128），然後將圖片中的像素值與閾值進行比較。如果像素值大於閾值，則轉換為 1（黑色）；否則轉換為 0（白色）。 載入圖片 使用 tf.io.read_file 函數讀取…

使用tensorflow-gpu結果耗一大堆MEMORY是為什麼 使用 TensorFlow GPU 版本會耗費較多的記憶體，這是正常的。因為 GPU 設備有自己的內存，我們可以使用 GPU 設備加速計算。但是，這意味著 GPU 設備的內存也必須足夠大，以便容納計算所需的資料。 如果GPU的記憶體不夠大，則tensorflow會改將原本要放在GPU的記憶體內的資料放到CPU的記憶體裡面，若是CPU的記憶體也不足夠大，則很有可能會導致程式死掉(因為記憶體不足夠) 改善方案 可考慮的改善方向有以下三點: 模型太大，超出了 GPU 設備的內存限制=>可以考慮使用更大的 GPU 設備或對模型進行優化，以減少模型的大小。(請參見: 如何縮小Tensorflow運算模型時使用的記憶體大小) 程式碼中存在記憶體泄漏。請檢查程式碼，確保正確釋放不再使用的記憶體。 GPU 設備的驅動程序版本過舊或損壞 其他方法 請參考這篇文章: https://starriet.medium.com/tensorflow-2-0-wanna-limit-gpu-memory-10ad474e2528 第一個選項：設置set_memory_growth為真。 第二個選項：將第一個 GPU 的內存使用量限制為 1024MB。gpus只需根據需要更改和的索引memory_limit即可。 我使用了第二個方法成功解決佔用太大記憶體的問題 使用Task Manager查看GPU使用狀況 使用 Windows 任務管理器檢查 GPU 設備的內存使用情況。要查看 GPU…

使用剪枝法 剪枝是一種常用的方法，用於縮小深度學習模型的大小。在剪枝過程中，可以刪除模型中不重要的權重，以縮小模型的大小。 以下是使用 TensorFlow 2.x 的簡單範例，說明如何在深度學習模型中進行剪枝： 訓練過程中使用正則化 正則化是一種常用的方法，用於防止過擬合，並縮小模型的大小。在 TensorFlow 中，您可以使用 tf.keras.regularizers 中的正則化函數，如 tf.keras.regularizers.l1 或 tf.keras.regularizers.l2，在網絡層中使用正則化。 使用較小的資料集進行訓練 如果資料集較大，則模型也會較大。因此，可以使用較小的資料集來訓練模型，以縮小模型的大小。 使用較少的運算計算。您可以使用較少的運算計算來縮小模型的大小。 例如，可以使用 1×1 卷積層來替代全卷積層預設值的3×3，或使用矩陣乘法來代替多重迴圈。 以下是使用 TensorFlow 2.x 的簡單範例，說明如何使用 1×1 卷積層來替代全卷積層的預設3×3的設定： 在這個範例中，我們在網絡中使用了三個卷積層，其中第一個和第三個使用 1×1 卷積核。這有助於縮小模型的大小，同時保留了運算計算的效率。 如果將 kernel_size 設為 (3, 3)，則 TensorFlow 會將卷積核的高度設為 3，寬度設為 3。 因此將kernel_size…