TensorFlow

التثبيت

pip install tensorflow

راجع صفحة التثبيت الرسمية لمتطلبات GPU وإصدارات Python المدعومة.

نموذج Sequential

import tensorflow as tf
from tensorflow import keras

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()   # تُنزّل عند أول استخدام
x_train, x_test = x_train / 255.0, x_test / 255.0

model = keras.Sequential([
    keras.Input(shape=(28, 28)),
    keras.layers.Flatten(),
    keras.layers.Dense(128, activation="relu"),
    keras.layers.Dropout(0.2),
    keras.layers.Dense(10),                 # logits
])
model.compile(optimizer="adam",
              loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=["accuracy"])
model.summary()

التدريب مع الاستدعاءات

callbacks = [
    keras.callbacks.EarlyStopping(monitor="val_loss", patience=3, restore_best_weights=True),
    keras.callbacks.ModelCheckpoint("best.keras", monitor="val_loss", save_best_only=True),
]
history = model.fit(x_train, y_train, epochs=20, batch_size=64,
                    validation_split=0.1, callbacks=callbacks)
print(model.evaluate(x_test, y_test, verbose=0))

history.history يحتوي قيم الخسارة والدقة لكل حقبة لرسم منحنيات التعلم.

الواجهة الوظيفية

inputs = keras.Input(shape=(28, 28, 1))
x = keras.layers.Conv2D(32, 3, activation="relu")(inputs)
x = keras.layers.MaxPooling2D()(x)
x = keras.layers.Flatten()(x)
outputs = keras.layers.Dense(10)(x)
cnn = keras.Model(inputs, outputs)

تسمح ببناء نماذج بمدخلات أو مخرجات متعددة أو تفرعات.

PyTorch أم TensorFlow؟

	PyTorch	TensorFlow/Keras
أسلوب التدريب	حلقة صريحة يكتبها المستخدم	fit جاهزة (مع إمكانية التخصيص)
الانتشار البحثي	واسع جداً	واسع
النشر	TorchScript، ONNX	TF Serving، TF Lite، TF.js

تعلم المفاهيم أهم من الإطار؛ الانتقال بينهما سهل بعد فهم الانتشار الأمامي والخلفي والمحسّنات.