Xem các phiên từ Hội nghị chuyên đề WiML về các mô hình khuếch tán với KerasCV, ML trên thiết bị, v.v. Xem theo yêu cầu
- TenorFlow
- Học hỏi
- Lõi TensorFlow
- hướng dẫn
Cảnh báo. Mô-đun8 được mô tả trong hướng dẫn này không được khuyến nghị cho mã mới. Các lớp tiền xử lý máy ảnh bao gồm chức năng này, để biết hướng dẫn di chuyển, hãy xem hướng dẫn cột Tính năng di chuyển. Mô-đunimport pathlib dataset_url = '//storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip' csv_file = 'datasets/petfinder-mini/petfinder-mini.csv' tf.keras.utils.get_file['petfinder_mini.zip', dataset_url, extract=True, cache_dir='.'] dataframe = pd.read_csv[csv_file]8 được thiết kế để sử dụng với TF1import pathlib dataset_url = '//storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip' csv_file = 'datasets/petfinder-mini/petfinder-mini.csv' tf.keras.utils.get_file['petfinder_mini.zip', dataset_url, extract=True, cache_dir='.'] dataframe = pd.read_csv[csv_file]Downloading data from //storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip 1668792/1668792 [==============================] - 0s 0us/step0. Nó nằm trong sự đảm bảo về khả năng tương thích của chúng tôi, nhưng sẽ không nhận được bản sửa lỗi nào ngoài các lỗ hổng bảo mật.
Hướng dẫn này trình bày cách phân loại dữ liệu có cấu trúc [e. g. dữ liệu dạng bảng trong CSV]. Chúng tôi sẽ sử dụng Keras để xác định mô hình và
Downloading data from //storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip 1668792/1668792 [==============================] - 0s 0us/step1 làm cầu nối để ánh xạ từ các cột trong CSV tới các tính năng được sử dụng để đào tạo mô hình. Hướng dẫn này chứa mã hoàn chỉnh để
- Tải tệp CSV bằng Pandas
- Xây dựng một đường ống đầu vào để sắp xếp và xáo trộn các hàng bằng cách sử dụng tf. dữ liệu
- Ánh xạ từ các cột trong CSV sang các tính năng được sử dụng để đào tạo mô hình bằng các cột tính năng
- Xây dựng, đào tạo và đánh giá một mô hình bằng Keras
Bộ dữ liệu
Chúng tôi sẽ sử dụng phiên bản đơn giản hóa của bộ dữ liệu PetFinder. Có vài nghìn hàng trong CSV. Mỗi hàng mô tả một con vật cưng và mỗi cột mô tả một thuộc tính. Chúng tôi sẽ sử dụng thông tin này để dự đoán tốc độ nhận nuôi thú cưng
Sau đây là mô tả về tập dữ liệu này. Lưu ý rằng có cả cột số và phân loại. Có một cột văn bản miễn phí mà chúng tôi sẽ không sử dụng trong hướng dẫn này
Nhập TensorFlow và các thư viện khác
pip install sklearn
2022-12-14 03:17:00.597681: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer.so.7'; dlerror: libnvinfer.so.7: cannot open shared object file: No such file or directory 2022-12-14 03:17:00.597783: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer_plugin.so.7'; dlerror: libnvinfer_plugin.so.7: cannot open shared object file: No such file or directory 2022-12-14 03:17:00.597793: W tensorflow/compiler/tf2tensorrt/utils/py_utils.cc:38] TF-TRT Warning: Cannot dlopen some TensorRT libraries. If you would like to use Nvidia GPU with TensorRT, please make sure the missing libraries mentioned above are installed properly.
Sử dụng Pandas để tạo khung dữ liệu
Pandas là một thư viện Python với nhiều tiện ích hữu ích để tải và làm việc với dữ liệu có cấu trúc. Chúng tôi sẽ sử dụng Pandas để tải xuống tập dữ liệu từ một URL và tải nó vào một khung dữ liệu
import pathlib
dataset_url = '//storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip'
csv_file = 'datasets/petfinder-mini/petfinder-mini.csv'
tf.keras.utils.get_file['petfinder_mini.zip', dataset_url,
extract=True, cache_dir='.']
dataframe = pd.read_csv[csv_file]
dataframe.head[]
Tạo biến mục tiêu
Nhiệm vụ trong bộ dữ liệu gốc là dự đoán tốc độ mà thú cưng sẽ được nhận nuôi [e. g. , trong tuần đầu tiên, tháng đầu tiên, ba tháng đầu tiên, v.v.]. Hãy đơn giản hóa điều này cho hướng dẫn của chúng tôi. Ở đây, chúng tôi sẽ chuyển đổi vấn đề này thành một vấn đề phân loại nhị phân và chỉ cần dự đoán liệu thú cưng có được nhận nuôi hay không
Sau khi sửa đổi cột nhãn, 0 sẽ cho biết thú cưng không được nhận nuôi và 1 sẽ cho biết nó đã được
import pathlib
dataset_url = '//storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip'
csv_file = 'datasets/petfinder-mini/petfinder-mini.csv'
tf.keras.utils.get_file['petfinder_mini.zip', dataset_url,
extract=True, cache_dir='.']
dataframe = pd.read_csv[csv_file]
Chia khung dữ liệu thành đào tạo, xác thực và kiểm tra
Tập dữ liệu chúng tôi đã tải xuống là một tệp CSV duy nhất. Chúng tôi sẽ chia phần này thành các tập huấn luyện, xác nhận và kiểm tra
import pathlib
dataset_url = '//storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip'
csv_file = 'datasets/petfinder-mini/petfinder-mini.csv'
tf.keras.utils.get_file['petfinder_mini.zip', dataset_url,
extract=True, cache_dir='.']
dataframe = pd.read_csv[csv_file]
import pathlib
dataset_url = '//storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip'
csv_file = 'datasets/petfinder-mini/petfinder-mini.csv'
tf.keras.utils.get_file['petfinder_mini.zip', dataset_url,
extract=True, cache_dir='.']
dataframe = pd.read_csv[csv_file]
Tạo một đường dẫn đầu vào bằng cách sử dụng tf. dữ liệu
Tiếp theo, chúng tôi sẽ bọc các khung dữ liệu bằng tf. dữ liệu. Điều này sẽ cho phép chúng tôi sử dụng các cột tính năng làm cầu nối để ánh xạ từ các cột trong khung dữ liệu Pandas tới các tính năng được sử dụng để đào tạo mô hình. Nếu chúng tôi đang làm việc với một tệp CSV rất lớn [lớn đến mức nó không vừa với bộ nhớ], chúng tôi sẽ sử dụng tf. dữ liệu để đọc trực tiếp từ đĩa. Điều đó không được đề cập trong hướng dẫn này
import pathlib
dataset_url = '//storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip'
csv_file = 'datasets/petfinder-mini/petfinder-mini.csv'
tf.keras.utils.get_file['petfinder_mini.zip', dataset_url,
extract=True, cache_dir='.']
dataframe = pd.read_csv[csv_file]
Hiểu đường ống đầu vào
Bây giờ chúng ta đã tạo đường dẫn đầu vào, hãy gọi nó để xem định dạng của dữ liệu mà nó trả về. Chúng tôi đã sử dụng kích thước lô nhỏ để giữ cho đầu ra có thể đọc được
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import feature_column
from tensorflow.keras import layers
from sklearn.model_selection import train_test_split
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import feature_column
from tensorflow.keras import layers
from sklearn.model_selection import train_test_split
Chúng ta có thể thấy rằng tập dữ liệu trả về một từ điển tên cột [từ khung dữ liệu] ánh xạ tới các giá trị cột từ các hàng trong khung dữ liệu
Thể hiện một số loại cột tính năng
TensorFlow cung cấp nhiều loại cột tính năng. Trong phần này, chúng tôi sẽ tạo một số loại cột tính năng và trình bày cách chúng chuyển đổi một cột từ khung dữ liệu
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import feature_column
from tensorflow.keras import layers
from sklearn.model_selection import train_test_split
cột số
Đầu ra của một cột tính năng trở thành đầu vào của mô hình [sử dụng hàm demo được xác định ở trên, chúng ta sẽ có thể thấy chính xác cách mỗi cột từ khung dữ liệu được chuyển đổi]. Cột số là loại cột đơn giản nhất. Nó được sử dụng để đại diện cho các tính năng có giá trị thực. Khi sử dụng cột này, mô hình của bạn sẽ nhận được giá trị cột từ khung dữ liệu không thay đổi
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import feature_column
from tensorflow.keras import layers
from sklearn.model_selection import train_test_split
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import feature_column
from tensorflow.keras import layers
from sklearn.model_selection import train_test_split
Trong tập dữ liệu PetFinder, hầu hết các cột từ khung dữ liệu đều được phân loại
cột nhóm
Thông thường, bạn không muốn nhập trực tiếp một số vào mô hình mà thay vào đó, hãy chia giá trị của nó thành các danh mục khác nhau dựa trên phạm vi số. Xem xét dữ liệu thô đại diện cho tuổi của một người. Thay vì biểu thị độ tuổi dưới dạng cột số, chúng ta có thể chia độ tuổi thành nhiều nhóm bằng cách sử dụng cột được nhóm hóa. Lưu ý các giá trị một chiều bên dưới mô tả độ tuổi mà mỗi hàng phù hợp
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import feature_column
from tensorflow.keras import layers
from sklearn.model_selection import train_test_split
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import feature_column
from tensorflow.keras import layers
from sklearn.model_selection import train_test_split
cột phân loại
Trong bộ dữ liệu này, Loại được biểu diễn dưới dạng một chuỗi [e. g. 'Chó' hoặc 'Mèo']. Chúng tôi không thể cung cấp chuỗi trực tiếp cho một mô hình. Thay vào đó, trước tiên chúng ta phải ánh xạ chúng thành các giá trị số. Các cột từ vựng phân loại cung cấp một cách để biểu diễn các chuỗi dưới dạng một vectơ một chiều [giống như bạn đã thấy ở trên với các nhóm tuổi]. Từ vựng có thể được chuyển dưới dạng danh sách bằng cách sử dụng categorical_column_with_vocabulary_list hoặc được tải từ một tệp bằng cách sử dụng categorical_column_with_vocabulary_file
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import feature_column
from tensorflow.keras import layers
from sklearn.model_selection import train_test_split
2022-12-14 03:17:00.597681: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer.so.7'; dlerror: libnvinfer.so.7: cannot open shared object file: No such file or directory 2022-12-14 03:17:00.597783: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer_plugin.so.7'; dlerror: libnvinfer_plugin.so.7: cannot open shared object file: No such file or directory 2022-12-14 03:17:00.597793: W tensorflow/compiler/tf2tensorrt/utils/py_utils.cc:38] TF-TRT Warning: Cannot dlopen some TensorRT libraries. If you would like to use Nvidia GPU with TensorRT, please make sure the missing libraries mentioned above are installed properly.0
Nhúng cột
Giả sử thay vì chỉ có một vài chuỗi có thể, chúng ta có hàng nghìn [hoặc nhiều hơn] giá trị cho mỗi danh mục. Vì một số lý do, khi số lượng danh mục tăng lên, việc huấn luyện mạng thần kinh sử dụng mã hóa one-hot trở nên không khả thi. Chúng ta có thể sử dụng cột nhúng để khắc phục hạn chế này. Thay vì biểu thị dữ liệu dưới dạng vectơ one-hot có nhiều chiều, cột nhúng biểu thị dữ liệu đó dưới dạng vectơ dày đặc, chiều thấp hơn, trong đó mỗi ô có thể chứa bất kỳ số nào, không chỉ 0 hoặc 1. Kích thước nhúng [8, trong ví dụ bên dưới] là một tham số phải được điều chỉnh
Điểm chính. sử dụng cột nhúng là tốt nhất khi cột phân loại có nhiều giá trị có thể. Chúng tôi đang sử dụng một cái ở đây cho mục đích trình diễn, vì vậy bạn có một ví dụ hoàn chỉnh mà bạn có thể sửa đổi cho một tập dữ liệu khác trong tương lai. ______612022-12-14 03:17:00.597681: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer.so.7'; dlerror: libnvinfer.so.7: cannot open shared object file: No such file or directory 2022-12-14 03:17:00.597783: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer_plugin.so.7'; dlerror: libnvinfer_plugin.so.7: cannot open shared object file: No such file or directory 2022-12-14 03:17:00.597793: W tensorflow/compiler/tf2tensorrt/utils/py_utils.cc:38] TF-TRT Warning: Cannot dlopen some TensorRT libraries. If you would like to use Nvidia GPU with TensorRT, please make sure the missing libraries mentioned above are installed properly.2
Các cột tính năng được băm
Một cách khác để biểu thị cột phân loại có số lượng lớn giá trị là sử dụng categorical_column_with_hash_bucket. Cột tính năng này tính toán giá trị băm của đầu vào, sau đó chọn một trong các nhóm
Downloading data from //storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip 1668792/1668792 [==============================] - 0s 0us/step2 để mã hóa chuỗi. Khi sử dụng cột này, bạn không cần cung cấp từ vựng và bạn có thể chọn làm cho số lượng hash_buckets nhỏ hơn đáng kể so với số lượng danh mục thực tế để tiết kiệm dung lượngĐiểm chính. Một nhược điểm quan trọng của kỹ thuật này là có thể xảy ra xung đột trong đó các chuỗi khác nhau được ánh xạ tới cùng một nhóm. Trong thực tế, điều này có thể hoạt động tốt đối với một số bộ dữ liệu bất kể. ______63
2022-12-14 03:17:00.597681: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer.so.7'; dlerror: libnvinfer.so.7: cannot open shared object file: No such file or directory 2022-12-14 03:17:00.597783: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer_plugin.so.7'; dlerror: libnvinfer_plugin.so.7: cannot open shared object file: No such file or directory 2022-12-14 03:17:00.597793: W tensorflow/compiler/tf2tensorrt/utils/py_utils.cc:38] TF-TRT Warning: Cannot dlopen some TensorRT libraries. If you would like to use Nvidia GPU with TensorRT, please make sure the missing libraries mentioned above are installed properly.4
Cột tính năng chéo
Kết hợp các tính năng thành một tính năng duy nhất, hay còn gọi là tính năng chéo, cho phép một mô hình tìm hiểu các trọng số riêng biệt cho từng kết hợp tính năng. Ở đây, chúng tôi sẽ tạo một tính năng mới là dấu thập của Tuổi và Loại. Lưu ý rằng
Downloading data from //storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip 1668792/1668792 [==============================] - 0s 0us/step3 không xây dựng bảng đầy đủ tất cả các kết hợp có thể [có thể rất lớn]. Thay vào đó, nó được hỗ trợ bởi một
Downloading data from //storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip 1668792/1668792 [==============================] - 0s 0us/step4, vì vậy bạn có thể chọn kích thước của bảng
2022-12-14 03:17:00.597681: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer.so.7'; dlerror: libnvinfer.so.7: cannot open shared object file: No such file or directory 2022-12-14 03:17:00.597783: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer_plugin.so.7'; dlerror: libnvinfer_plugin.so.7: cannot open shared object file: No such file or directory 2022-12-14 03:17:00.597793: W tensorflow/compiler/tf2tensorrt/utils/py_utils.cc:38] TF-TRT Warning: Cannot dlopen some TensorRT libraries. If you would like to use Nvidia GPU with TensorRT, please make sure the missing libraries mentioned above are installed properly.5
2022-12-14 03:17:00.597681: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer.so.7'; dlerror: libnvinfer.so.7: cannot open shared object file: No such file or directory 2022-12-14 03:17:00.597783: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer_plugin.so.7'; dlerror: libnvinfer_plugin.so.7: cannot open shared object file: No such file or directory 2022-12-14 03:17:00.597793: W tensorflow/compiler/tf2tensorrt/utils/py_utils.cc:38] TF-TRT Warning: Cannot dlopen some TensorRT libraries. If you would like to use Nvidia GPU with TensorRT, please make sure the missing libraries mentioned above are installed properly.6
Chọn những cột sẽ sử dụng
Chúng tôi đã thấy cách sử dụng một số loại cột tính năng. Bây giờ chúng tôi sẽ sử dụng chúng để đào tạo một mô hình. Mục tiêu của hướng dẫn này là cho bạn thấy mã hoàn chỉnh [e. g. cơ khí] cần thiết để làm việc với các cột tính năng. Chúng tôi đã chọn một vài cột để đào tạo mô hình của chúng tôi bên dưới một cách tùy ý
Điểm chính. Nếu mục tiêu của bạn là xây dựng một mô hình chính xác, hãy thử tập dữ liệu lớn hơn của riêng bạn và suy nghĩ cẩn thận về những tính năng có ý nghĩa nhất để đưa vào và cách chúng nên được trình bày. ______672022-12-14 03:17:00.597681: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer.so.7'; dlerror: libnvinfer.so.7: cannot open shared object file: No such file or directory 2022-12-14 03:17:00.597783: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer_plugin.so.7'; dlerror: libnvinfer_plugin.so.7: cannot open shared object file: No such file or directory 2022-12-14 03:17:00.597793: W tensorflow/compiler/tf2tensorrt/utils/py_utils.cc:38] TF-TRT Warning: Cannot dlopen some TensorRT libraries. If you would like to use Nvidia GPU with TensorRT, please make sure the missing libraries mentioned above are installed properly.8
2022-12-14 03:17:00.597681: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer.so.7'; dlerror: libnvinfer.so.7: cannot open shared object file: No such file or directory 2022-12-14 03:17:00.597783: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer_plugin.so.7'; dlerror: libnvinfer_plugin.so.7: cannot open shared object file: No such file or directory 2022-12-14 03:17:00.597793: W tensorflow/compiler/tf2tensorrt/utils/py_utils.cc:38] TF-TRT Warning: Cannot dlopen some TensorRT libraries. If you would like to use Nvidia GPU with TensorRT, please make sure the missing libraries mentioned above are installed properly.9
import pathlib
dataset_url = '//storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip'
csv_file = 'datasets/petfinder-mini/petfinder-mini.csv'
tf.keras.utils.get_file['petfinder_mini.zip', dataset_url,
extract=True, cache_dir='.']
dataframe = pd.read_csv[csv_file]
import pathlib
dataset_url = '//storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip'
csv_file = 'datasets/petfinder-mini/petfinder-mini.csv'
tf.keras.utils.get_file['petfinder_mini.zip', dataset_url,
extract=True, cache_dir='.']
dataframe = pd.read_csv[csv_file]
Tạo một lớp tính năng
Bây giờ chúng tôi đã xác định các cột tính năng của mình, chúng tôi sẽ sử dụng lớp DenseFeatures để nhập chúng vào mô hình Keras của chúng tôi
import pathlib
dataset_url = '//storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip'
csv_file = 'datasets/petfinder-mini/petfinder-mini.csv'
tf.keras.utils.get_file['petfinder_mini.zip', dataset_url,
extract=True, cache_dir='.']
dataframe = pd.read_csv[csv_file]
Trước đó, chúng tôi đã sử dụng kích thước lô nhỏ để chứng minh cách hoạt động của các cột tính năng. Chúng tôi tạo một quy trình đầu vào mới với kích thước lô lớn hơn
import pathlib
dataset_url = '//storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip'
csv_file = 'datasets/petfinder-mini/petfinder-mini.csv'
tf.keras.utils.get_file['petfinder_mini.zip', dataset_url,
extract=True, cache_dir='.']
dataframe = pd.read_csv[csv_file]
Tạo, biên dịch và huấn luyện mô hình
import pathlib
dataset_url = '//storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip'
csv_file = 'datasets/petfinder-mini/petfinder-mini.csv'
tf.keras.utils.get_file['petfinder_mini.zip', dataset_url,
extract=True, cache_dir='.']
dataframe = pd.read_csv[csv_file]
import pathlib
dataset_url = '//storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip'
csv_file = 'datasets/petfinder-mini/petfinder-mini.csv'
tf.keras.utils.get_file['petfinder_mini.zip', dataset_url,
extract=True, cache_dir='.']
dataframe = pd.read_csv[csv_file]
import pathlib
dataset_url = '//storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip'
csv_file = 'datasets/petfinder-mini/petfinder-mini.csv'
tf.keras.utils.get_file['petfinder_mini.zip', dataset_url,
extract=True, cache_dir='.']
dataframe = pd.read_csv[csv_file]
import pathlib
dataset_url = '//storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip'
csv_file = 'datasets/petfinder-mini/petfinder-mini.csv'
tf.keras.utils.get_file['petfinder_mini.zip', dataset_url,
extract=True, cache_dir='.']
dataframe = pd.read_csv[csv_file]
Bước tiếp theo
Cách tốt nhất để tìm hiểu thêm về cách phân loại dữ liệu có cấu trúc là tự mình thử. Chúng tôi khuyên bạn nên tìm một tập dữ liệu khác để làm việc và đào tạo một mô hình để phân loại nó bằng cách sử dụng mã tương tự như trên. Để cải thiện độ chính xác, hãy suy nghĩ cẩn thận về những tính năng cần đưa vào mô hình của bạn và cách chúng nên được thể hiện