નવા નિશાળીયા માટે ટેન્સરફ્લો ટ્યુટોરીયલ
ટેન્સરફ્લો એ ડીપ લર્નિંગ અને મશીન લર્નિંગ માટે સૌથી લોકપ્રિય ફ્રેમવર્કમાંનું એક છે. ગૂગલ બ્રેઈન ટીમ દ્વારા વિકસાવવામાં આવેલ, ટેન્સરફ્લોનો ઉપયોગ અસંખ્ય સંશોધન પ્રોજેક્ટ્સ અને ઔદ્યોગિક એપ્લિકેશન્સમાં વ્યાપકપણે કરવામાં આવ્યો છે. આ લેખ તમને શિખાઉ માણસ તરીકે ટેન્સરફ્લો સાથે શરૂઆત કરવામાં મદદ કરવા માટે એક પગલું-દર-પગલાં ટ્યુટોરીયલ પ્રદાન કરે છે.
1. ટેન્સરફ્લોની મૂળભૂત બાબતોને સમજવી
ટેન્સરફ્લો ઇન્સ્ટોલ અને ઉપયોગ કરવાનું શરૂ કરતા પહેલા, ટેન્સરફ્લો શું છે અને તેની પાછળના મૂળભૂત ખ્યાલો શું છે તે સમજવું મહત્વપૂર્ણ છે. ટેન્સરફ્લો એ સંખ્યાત્મક ગણતરી અને મશીન લર્નિંગ માટે એક ઓપન-સોર્સ ફ્રેમવર્ક છે. તે સંખ્યાત્મક કામગીરી કરવા માટે ડેટા ફ્લો ગ્રાફનો ઉપયોગ કરે છે, જ્યાં ગ્રાફમાં નોડ્સ ગાણિતિક કામગીરીનું પ્રતિનિધિત્વ કરે છે, અને ધાર તેમની વચ્ચે જોડાયેલા બહુપરીમાણીય ડેટા એરે (ટેન્સર)નું પ્રતિનિધિત્વ કરે છે.
2. ટેન્સરફ્લો ઇન્સ્ટોલેશન
ટેન્સરફ્લોનો ઉપયોગ કરવાનું પ્રથમ પગલું તેને ઇન્સ્ટોલ કરવાનું છે. પાયથોન પેકેજ મેનેજર, પીપનો ઉપયોગ કરીને ટેન્સરફ્લો કેવી રીતે ઇન્સ્ટોલ કરવું તે અહીં છે.
૧. પાયથોન ઇન્સ્ટોલેશન:
ખાતરી કરો કે તમારી સિસ્ટમમાં Python ઇન્સ્ટોલ કરેલું છે. આ લખાણના સમયે TensorFlow Python 3.6 થી 3.9 સાથે સુસંગત છે. તમે Python ની સત્તાવાર વેબસાઇટ પરથી ડાઉનલોડ કરી શકો છો.
2. વર્ચ્યુઅલ પર્યાવરણ:
તમારા ટેન્સરફ્લો પ્રોજેક્ટને અલગ કરવા માટે વર્ચ્યુઅલ વાતાવરણ બનાવવાની ખૂબ ભલામણ કરવામાં આવે છે:
"શ"
પાયથોન -એમ વેનવ માયએનવી
મેક/લિનક્સ વપરાશકર્તાઓ માટે સોર્સ માયએનવી/બિન/એક્ટિવેટ
વિન્ડોઝ વપરાશકર્તાઓ માટે myenv\Scripts\activate
"`
3. ટેન્સરફ્લો ઇન્સ્ટોલેશન:
હવે, પાઇપનો ઉપયોગ કરીને ટેન્સરફ્લો ઇન્સ્ટોલ કરો:
"શ"
પાઇપ ઇન્સ્ટોલ ટેન્સરફ્લો
"`
3. ટેન્સરફ્લો સાથે હેલો વર્લ્ડ
હવે જ્યારે TensorFlow ઇન્સ્ટોલ થઈ ગયું છે, ચાલો ઇન્સ્ટોલેશન ચકાસવા માટે એક સરળ Python સ્ક્રિપ્ટ બનાવીએ. એક નવી Python ફાઇલ બનાવો અને તેને `hello_tensorflow.py` નામ આપો.
"`અજગર
tf તરીકે ટેન્સરફ્લો આયાત કરો
એક અચળાંક બનાવો
હેલો = tf.constant('હેલો, ટેન્સરફ્લો!')
સત્ર શરૂ કરો
tf.Session() ને સેશન તરીકે:
પરિણામ = sess.run(હેલો)
છાપો (પરિણામ)
"`
ટેન્સરફ્લો વર્ઝન 2.x અનુસાર કોડને અનુકૂલિત કરો:
"`અજગર
tf તરીકે ટેન્સરફ્લો આયાત કરો
એક અચળાંક બનાવો
હેલો = tf.constant('હેલો, ટેન્સરફ્લો!')
આતુર અમલનો ઉપયોગ કરીને ચલાવો (ડિફોલ્ટ રૂપે ચાલુ)
પ્રિન્ટ(હેલો.નમ્પી())
"`
ફાઇલ સાચવો, પછી ચલાવો:
"શ"
પાયથોન હેલો_ટેન્સરફ્લો.પીઆઈ
"`
૪. ટેન્સર અને મૂળભૂત કામગીરીને સમજવી
ટેન્સરફ્લોમાં ટેન્સર એ પ્રાથમિક ડેટા સ્ટ્રક્ચર છે, જે બહુપરીમાણીય એરે છે. ટેન્સરને સમજવામાં તમારી મદદ કરવા માટે અહીં કેટલાક ઉદાહરણો આપ્યા છે:
"`અજગર
tf તરીકે ટેન્સરફ્લો આયાત કરો
ટેન્સર બનાવવાનું
સ્કેલર = tf. સ્થિરાંક(7) સ્કેલર
વેક્ટર = tf. સ્થિરાંક([1, 2, 3]) વેક્ટર
મેટ્રિક્સ = tf. સ્થિરાંક([[1, 2], [3, 4]]) મેટ્રિક્સ
tensor3d = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) 3D ટેન્સર
પ્રિન્ટ(f'સ્કેલર: {સ્કેલર}')
છાપો (f'વેક્ટર: {વેક્ટર}')
પ્રિન્ટ(f'મેટ્રિક્સ: {મેટ્રિક્સ}')
પ્રિન્ટ(f'ટેન્સર 3D: {ટેન્સર3d}')
"`
ટેન્સર પર મૂળભૂત કામગીરી કરવા માટે:
"`અજગર
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
ઉમેરણ કામગીરી
ઉમેરો = tf. ઉમેરો (a, b)
મેટ્રિક્સ ગુણાકાર ક્રિયાઓ
મુલ = tf.matmul(a, b)
છાપો (f'ઉમેરો: {ઉમેરો}')
પ્રિન્ટ(f'મેટ્રિક્સ ગુણાકાર: {mul}')
"`
૫. એક સરળ ન્યુરલ નેટવર્ક મોડેલ બનાવવું
આગળનું પગલું એક સરળ ન્યુરલ નેટવર્ક મોડેલ બનાવવાનું છે. આપણે MNIST ડેટાસેટનો ઉપયોગ કરીને એક છબી વર્ગીકરણ મોડેલ બનાવીશું, જે હસ્તલિખિત અંક છબીઓનો ડેટાબેઝ છે. ચાલો શરૂ કરીએ:
"`અજગર
tf તરીકે ટેન્સરફ્લો આયાત કરો
tensorflow.keras માંથી ડેટાસેટ્સ, સ્તરો, મોડેલો આયાત કરો
MNIST ડેટાસેટ ડાઉનલોડ કરી રહ્યું છે
(ટ્રેન_છબીઓ, ટ્રેન_લેબલ્સ), (ટેસ્ટ_છબીઓ, ટેસ્ટ_લેબલ્સ) = ડેટાસેટ્સ.mnist.load_data()
છબી નોર્મલાઇઝેશન
ટ્રેન_છબીઓ, ટેસ્ટ_છબીઓ = ટ્રેન_છબીઓ / 255.0, ટેસ્ટ_છબીઓ / 255.0
મોડેલ બનાવવું
મોડેલ = મોડેલ્સ. ક્રમિક ([
સ્તરો.ફ્લેટન(ઇનપુટ_આકાર=(28, 28)),
layers.Dense(128, activation='relu'),
સ્તરો. ગાઢ(10)
])
મોડેલ સંકલન
મોડેલ.કમ્પાઇલ(ઓપ્ટિમાઇઝર='એડમ',
નુકસાન=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
મેટ્રિક્સ=['ચોકસાઈ'])
મોડેલને તાલીમ આપવી
મોડેલ.ફિટ(ટ્રેન_છબીઓ, ટ્રેન_લેબલ્સ, યુગ=૧૦)
મોડેલનું પરીક્ષણ
ટેસ્ટ_લોસ, ટેસ્ટ_એસીસી = મોડેલ.મૂલ્યાંકન(ટેસ્ટ_ઇમેજ, ટેસ્ટ_લેબલ્સ)
પ્રિન્ટ(f'પરીક્ષણ ચોકસાઈ: {test_acc}')
"`
સમજૂતી:
– ડેટાસેટ્સ: અમે MNIST ડેટાસેટ આયાત અને લોડ કરીએ છીએ.
- પ્રીપ્રોસેસિંગ: પિક્સેલ મૂલ્યોને 255 વડે વિભાજીત કરીને ડેટાસેટને સામાન્ય બનાવો.
– મોડેલ: આપણે બે સ્તરો સાથે એક સરળ મોડેલ વ્યાખ્યાયિત કરીએ છીએ. પહેલું સ્તર 2D છબીને 1D એરેમાં રૂપાંતરિત કરવા માટે એક 'ફ્લેટન' સ્તર છે. બીજું સ્તર 128 ન્યુરોન્સ અને સક્રિયકરણ કાર્ય તરીકે 'relu' સાથેનું 'ડેન્સ' સ્તર છે, અને છેલ્લું સ્તર 10 ન્યુરોન્સ સાથેનું 'ડેન્સ' સ્તર છે જે 10 વર્ગોનું પ્રતિનિધિત્વ કરે છે.
– કમ્પાઇલ: અમે `adam` ઑપ્ટિમાઇઝર અને `SparseCategoricalCroscentropy` ને લોસ ફંક્શન તરીકે ઉપયોગ કરીને મોડેલનું સંકલન કરીએ છીએ.
– ટ્રેન: મોડેલને 5 યુગ માટે તાલીમ આપો.
– મૂલ્યાંકન: પરીક્ષણ ડેટા સામે મોડેલનું મૂલ્યાંકન કરો.
6. મોડેલો સાચવવા અને લોડ કરવા
મોડેલને તાલીમ આપ્યા પછી, તમે તેને ફરીથી તાલીમ આપ્યા વિના પછીના ઉપયોગ માટે સાચવી શકો છો. મોડેલને કેવી રીતે સાચવવું અને લોડ કરવું તે અહીં છે:
"`અજગર
મોડેલ સાચવી રહ્યું છે
મોડેલ.સેવ ('મારું_મોડેલ.એચ5')
મોડેલ લોડ કરી રહ્યું છે
નવું_મોડેલ = tf.keras.models.load_model('મારું_મોડેલ.h5')
લોડ કરેલ મોડેલ ચકાસી રહ્યા છીએ
નુકસાન, acc = new_model.evaluate(test_images, test_labels)
છાપો (f'લોડેડ મોડેલની ચોકસાઈ: {acc}')
"`
કેસિમ્પુલન
આ માર્ગદર્શિકા નવા નિશાળીયા માટે TensorFlow સાથે શરૂઆત કરવા માટે વિગતવાર પરિચય આપે છે. અમે MNIST ડેટાસેટનો ઉપયોગ કરીને ઇન્સ્ટોલેશન, મૂળભૂત ટેન્સર કામગીરી અને સરળ ન્યુરલ નેટવર્ક મોડેલ બનાવવાનું આવરી લીધું છે. TensorFlow અન્વેષણ કરવા માટે ઘણી અદ્યતન ક્ષમતાઓ પ્રદાન કરે છે, જેમ કે અદ્યતન ડેટા પ્રોસેસિંગ, વધુ જટિલ મોડેલો અને TPU અને GPU જેવા ઉપકરણો પર TensorFlow નો ઉપયોગ. અમને આશા છે કે આ ટ્યુટોરીયલ તમને TensorFlow સાથે મશીન લર્નિંગની દુનિયામાં શરૂઆત કરવામાં મદદ કરશે.
