Copyright 2019 The TensorFlow Authors.



In [ ]:

    
#@title Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
# https://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

TensorFlow 2 quickstart for beginners

Lihat di TensorFlow.org

Lihat sumber kode di GitHub

Unduh notebook

Note: Komunitas TensorFlow kami telah menerjemahkan dokumen-dokumen ini. Tidak ada jaminan bahwa translasi ini akurat, dan translasi terbaru dari Official Dokumentasi - Bahasa Inggris karena komunitas translasi ini adalah usaha terbaik dari komunitas translasi. Jika Anda memiliki saran untuk meningkatkan terjemahan ini, silakan kirim pull request ke tensorflow/docs repositori GitHub. Untuk menjadi sukarelawan untuk menulis atau memeriksa terjemahan komunitas, hubungi daftar docs@tensorflow.org.

Panduan singkat ini akan menggunakan Keras untuk:

Membangun jaringan saraf tiruan yang mengklasifikasikan gambar.
Melatih jaringan saraf tiruan tersebut.
Dan, pada akhirnya, mengevaluasi keakuratan dari model.

Ini adalah file notebook . Program python akan dijalankan langsung dari browser — cara yang bagus untuk mempelajari dan menggunakan TensorFlow. Untuk mengikuti tutorial ini, jalankan notebook di Google Colab dengan mengklik tombol di bagian atas halaman ini.

Di halaman Colab, sambungkan ke runtime Python: Di menu sebelah kanan atas, pilih CONNECT .
Untuk menjalankan semua sel kode pada notebook: Pilih Runtime > Run all .

Download dan instal TensorFlow 2 dan impor TensorFlow ke dalam program Anda:



In [ ]:

    
# Install TensorFlow

import tensorflow as tf

Siapkan dataset MNIST. Ubah sampel dari bilangan bulat menjadi angka floating-point (desimal):



In [ ]:

    
mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

Build model tf.keras.Sequential dengan cara menumpuk lapisan layer. Untuk melatih data, pilih fungsi untuk mengoptimalkan dan fungsi untuk menghitung kerugian:



In [ ]:

    
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, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

Melatih dan mengevaluasi model:



In [ ]:

    
model.fit(x_train, y_train, epochs=5)

model.evaluate(x_test,  y_test, verbose=2)

Penggolong gambar tersebut, sekarang dilatih untuk akurasi ~ 98% pada dataset ini. Untuk mempelajari lebih lanjut, baca tutorial TensorFlow.