CJSHS AI Course Week 1

課程學期目標（社團發表）

1. 製作 CJSHS GPT
2. 製作自走車

課程須知

• 上課時間: 10:00~11:00
• 動手動腦完成作業時間: 11:00~12:00
  • 老師要去開會
  • 作業完成找社長、副社長或老師檢查
  • 完成作業後，自行利用時間 (可以玩電腦，不能玩手機)
• 不能使用手機
  • 校方告知學生一律不能使用手機

Week 1 課程

Classification (分類任務)

開啟 Colab

• https://colab.research.google.com/
• 設定使用GPU運算
  1. 執行階段
  2. 變更執行階段類型
  3. 選擇 "T4 GPU"
  4. 儲存

Classification (分類任務)

• 匯入程式庫

# TensorFlow and tf.keras
import tensorflow as tf

# Helper libraries
import numpy as np
import matplotlib.pyplot as plt

print(tf.__version__)

• 下載資料集 (fashion MNIST)
  資料集網頁: https://www.tensorflow.org/api_docs/python/tf/keras/datasets/fashion_mnist/load_data

fashion_mnist = tf.keras.datasets.fashion_mnist

(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

• 設定類別名稱

class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

• 資料標準化

train_images = train_images / 255.0
test_images = test_images / 255.0

• 資料範例可視化

plt.figure(figsize=(10,10))
for i in range(25):
    plt.subplot(5,5,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i], cmap=plt.cm.binary)
    plt.xlabel(class_names[train_labels[i]])
plt.show()

• 建立AI模型

model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10)
])

• 編譯AI模型

model.compile(optimizer='adam', 
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

• 定義繪圖函式及處理預測結果

def plot_image(i, predictions_array, true_label, img):
    true_label, img = true_label[i], img[i]
    plt.grid(False)
    plt.xticks([])
    plt.yticks([])

    plt.imshow(img, cmap=plt.cm.binary)

    predicted_label = np.argmax(predictions_array)
    if predicted_label == true_label:
        color = 'blue'
    else:
        color = 'red'

    plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],
                                100*np.max(predictions_array),
                                class_names[true_label]),
                                color=color)

def plot_value_array(i, predictions_array, true_label):
    true_label = true_label[i]
    plt.grid(False)
    plt.xticks(range(10))
    plt.yticks([])
    thisplot = plt.bar(range(10), predictions_array, color="#777777")
    plt.ylim([0, 1])
    predicted_label = np.argmax(predictions_array)

    thisplot[predicted_label].set_color('red')
    thisplot[true_label].set_color('blue')

• 訓練前模型之預測

probability_model = tf.keras.Sequential([model, tf.keras.layers.Softmax()])
predictions = probability_model.predict(test_images)

• 繪製預測

num_rows = 5
num_cols = 3
num_images = num_rows*num_cols
plt.figure(figsize=(2*2*num_cols, 2*num_rows))
for i in range(num_images):
    plt.subplot(num_rows, 2*num_cols, 2*i+1)
    plot_image(i, predictions[i], test_labels, test_images)
    plt.subplot(num_rows, 2*num_cols, 2*i+2)
    plot_value_array(i, predictions[i], test_labels)
plt.tight_layout()
plt.show()

• 訓練模型

model.fit(train_images, train_labels, epochs=10)

• 訓練後模型之預測

probability_model = tf.keras.Sequential([model, tf.keras.layers.Softmax()])
predictions = probability_model.predict(test_images)

• 繪製預測

num_rows = 5
num_cols = 3
num_images = num_rows*num_cols
plt.figure(figsize=(2*2*num_cols, 2*num_rows))
for i in range(num_images):
    plt.subplot(num_rows, 2*num_cols, 2*i+1)
    plot_image(i, predictions[i], test_labels, test_images)
    plt.subplot(num_rows, 2*num_cols, 2*i+2)
    plot_value_array(i, predictions[i], test_labels)
plt.tight_layout()
plt.show()

作業

1. 成功執行以上程式碼。
2. 成功訓練模型。
3. 繪製預測結果。

Bonus

• 使用另一個資料集來進行訓練並預測繪製結果
• hint:
  • MNIST: https://www.tensorflow.org/api_docs/python/tf/keras/datasets/mnist/load_data
  • CIFAR10: https://www.tensorflow.org/api_docs/python/tf/keras/datasets/cifar10/load_data