शुरुआतीहरूको लागि टेन्सरफ्लो ट्यूटोरियल
टेन्सरफ्लो गहिरो सिकाइ र मेसिन सिकाइको लागि सबैभन्दा लोकप्रिय फ्रेमवर्कहरू मध्ये एक हो। गुगल ब्रेन टोलीद्वारा विकसित, टेन्सरफ्लो धेरै अनुसन्धान परियोजनाहरू र औद्योगिक अनुप्रयोगहरूमा व्यापक रूपमा प्रयोग गरिएको छ। यो लेखले तपाईंलाई शुरुआतीको रूपमा टेन्सरफ्लोसँग सुरु गर्न मद्दत गर्न चरण-दर-चरण ट्यूटोरियल प्रदान गर्दछ।
१. टेन्सरफ्लोको आधारभूत कुराहरू बुझ्दै
TensorFlow स्थापना र प्रयोग गर्न सुरु गर्नु अघि, TensorFlow के हो र यसको पछाडिका आधारभूत अवधारणाहरू बुझ्नु महत्त्वपूर्ण छ। TensorFlow संख्यात्मक गणना र मेसिन लर्निङको लागि एक खुला-स्रोत फ्रेमवर्क हो। यसले संख्यात्मक अपरेशनहरू गर्न डेटा फ्लो ग्राफहरू प्रयोग गर्दछ, जहाँ ग्राफमा नोडहरूले गणितीय अपरेशनहरू प्रतिनिधित्व गर्दछ, र किनारहरूले तिनीहरू बीच जोडिएका बहुआयामिक डेटा एरेहरू (टेन्सरहरू) प्रतिनिधित्व गर्दछ।
२. टेन्सरफ्लो स्थापना
TensorFlow प्रयोग गर्ने पहिलो चरण भनेको यसलाई स्थापना गर्नु हो। Python प्याकेज प्रबन्धक, pip प्रयोग गरेर TensorFlow कसरी स्थापना गर्ने भन्ने यहाँ छ।
१. पाइथन स्थापना:
तपाईंको प्रणालीमा पाइथन स्थापना भएको निश्चित गर्नुहोस्। यो लेख लेख्ने समयमा टेन्सरफ्लो पाइथन ३.६ देखि ३.९ सम्म उपयुक्त छ। तपाईं आधिकारिक पाइथन वेबसाइटबाट पाइथन डाउनलोड गर्न सक्नुहुन्छ।
२. भर्चुअल वातावरण:
तपाईंको TensorFlow परियोजनालाई अलग गर्न भर्चुअल वातावरण सिर्जना गर्न अत्यधिक सिफारिस गरिन्छ:
“`श
पाइथन -m भेन्भ मायेन्भ
स्रोत myenv/bin/activate म्याक/लिनक्स प्रयोगकर्ताहरूको लागि
विन्डोज प्रयोगकर्ताहरूको लागि myenv\Scripts\activate
"'
३. टेन्सरफ्लो स्थापना:
अब, pip प्रयोग गरेर TensorFlow स्थापना गर्नुहोस्:
“`श
पाइप स्थापना टेन्सरफ्लो
"'
३. टेन्सरफ्लोको साथ नमस्ते संसार
अब TensorFlow स्थापना भइसकेको छ, स्थापना प्रमाणित गर्न एउटा साधारण पाइथन स्क्रिप्ट सिर्जना गरौं। एउटा नयाँ पाइथन फाइल सिर्जना गरौं र यसलाई `hello_tensorflow.py` नाम दिनुहोस्।
'' अजगर
Tf को रूपमा tensorflow आयात गर्नुहोस्
स्थिरांक सिर्जना गर्नुहोस्
नमस्ते = tf.constant('नमस्ते, टेन्सरफ्लो!')
सत्र सुरु गर्नुहोस्
tf.Session() लाई सेसको रूपमा प्रयोग गर्नुहोस्:
नतिजा = sess.run(नमस्ते)
छाप्नुहोस् (नतिजा)
"'
TensorFlow संस्करण २.x अनुसार कोड समायोजन गर्नुहोस्:
'' अजगर
Tf को रूपमा tensorflow आयात गर्नुहोस्
स्थिरांक सिर्जना गर्नुहोस्
नमस्ते = tf.constant('नमस्ते, टेन्सरफ्लो!')
उत्सुक कार्यान्वयन प्रयोग गरेर चलाउनुहोस् (पूर्वनिर्धारित रूपमा सक्रिय)
प्रिन्ट गर्नुहोस् (नमस्ते.नम्पी())
"'
फाइल बचत गर्नुहोस्, त्यसपछि चलाउनुहोस्:
“`श
पाइथन hello_tensorflow.py
"'
४. टेन्सर र आधारभूत सञ्चालनहरू बुझ्दै
टेन्सरहरू टेन्सरफ्लोमा प्राथमिक डेटा संरचना हुन्, जुन बहुआयामिक एरेहरू हुन्। टेन्सरहरू बुझ्न मद्दत गर्न यहाँ केही उदाहरणहरू दिइएका छन्:
'' अजगर
Tf को रूपमा tensorflow आयात गर्नुहोस्
टेन्सरहरू सिर्जना गर्दै
स्केलर = tf. स्थिरांक(७) स्केलर
भेक्टर = tf. स्थिरांक([1, 2, 3]) भेक्टर
म्याट्रिक्स = tf. स्थिरांक([[1, 2], [3, 4]]) म्याट्रिक्स
tensor3d = tf.constant([[[१, २, ३], [४, ५, ६]], [[७, ८, ९], [१०, ११, १२]]]) ३D टेन्सर
प्रिन्ट(f'स्केलर: {स्केलर}')
प्रिन्ट(f'भेक्टर: {भेक्टर}')
प्रिन्ट(f'म्याट्रिक्स: {म्याट्रिक्स}')
प्रिन्ट (f'टेन्सर थ्रीडी: {टेन्सर३डी}')
"'
टेन्सरहरूमा आधारभूत अपरेशनहरू गर्न:
'' अजगर
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[५, ६], [७, ८]])
थप कार्य
थप्नुहोस् = tf.थप्नुहोस्(a, b)
म्याट्रिक्स गुणन कार्यहरू
बहु = tf.matmul(a, b)
प्रिन्ट(f'थप: {थप्नुहोस्}')
print(f'म्याट्रिक्स गुणन: {mul}')
"'
५. साधारण स्नायु सञ्जाल मोडेल सिर्जना गर्ने
अर्को चरण भनेको एउटा साधारण स्नायु सञ्जाल मोडेल सिर्जना गर्नु हो। हामी MNIST डेटासेट प्रयोग गरेर छवि वर्गीकरण मोडेल निर्माण गर्नेछौं, जुन हस्तलिखित अंक छविहरूको डाटाबेस हो। सुरु गरौं:
'' अजगर
Tf को रूपमा tensorflow आयात गर्नुहोस्
tensorflow.keras बाट डेटासेट, तह, मोडेल आयात गर्नुहोस्
MNIST डेटासेट डाउनलोड गर्दै
(रेल_छविहरू, रेल_लेबलहरू), (परीक्षण_छविहरू, परीक्षण_लेबलहरू) = डेटासेटहरू.mnist.load_data()
छवि सामान्यीकरण
रेल_छविहरू, परीक्षण_छविहरू = रेल_छविहरू / २५५.०, परीक्षण_छविहरू / २५५.०
मोडेल बनाउने
मोडेल = मोडेलहरू। क्रमिक ([
तहहरू। समतल गर्नुहोस् (इनपुट_आकार = (२८, २८)),
तहहरू।घन(१२८, सक्रियता='रेलु'),
तहहरू। बाक्लो(१०)
])
मोडेल संकलन
model.compile(optimaizer='adam',
हानि=tf.keras.हानि.स्पार्सक्याटेगोरिकलक्रसेन्ट्रोपी(लगिट_बाट=सत्य),
मेट्रिक्स=['शुद्धता'])
मोडेललाई तालिम दिँदै
model.fit(train_images, train_labels, epochs=१०)
मोडेल परीक्षण गर्दै
परीक्षण_क्षति, परीक्षण_एसीसी = मोडेल.मूल्यांकन गर्नुहोस् (परीक्षण_छविहरू, परीक्षण_लेबलहरू)
प्रिन्ट (f'परीक्षण शुद्धता: {test_acc}')
"'
व्याख्या:
– डेटासेटहरू: हामी MNIST डेटासेट आयात र लोड गर्छौं।
- पूर्व-प्रशोधन: पिक्सेल मानहरूलाई २५५ ले भाग गरेर डेटासेटलाई सामान्य बनाउनुहोस्।
– मोडेल: हामी दुई तहहरू भएको साधारण मोडेल परिभाषित गर्छौं। पहिलो तह 2D छविलाई 1D एरेमा रूपान्तरण गर्न ``फ्ल्याटन'' तह हो। दोस्रो तह 128 न्यूरोनहरू र ``relu'' सक्रियता प्रकार्यको रूपमा भएको ``घन'' तह हो, र अन्तिम १० न्यूरोनहरू भएको ``घन'' तह हो जसले 10 वर्गहरूलाई प्रतिनिधित्व गर्दछ।
- कम्पाइल: हामी `adam` अप्टिमाइजर र `SparseCategoricalCrossentropy` लाई हानि प्रकार्यको रूपमा प्रयोग गरेर मोडेल कम्पाइल गर्छौं।
- रेल: मोडेललाई ५ युगको लागि तालिम दिनुहोस्।
- मूल्याङ्कन गर्नुहोस्: परीक्षण डेटा विरुद्ध मोडेलको मूल्याङ्कन गर्नुहोस्।
६. मोडेलहरू बचत र लोड गर्दै
मोडेललाई तालिम दिएपछि, तपाईंले यसलाई पुन: तालिम नदिई पछि प्रयोगको लागि बचत गर्न सक्नुहुन्छ। मोडेल कसरी बचत गर्ने र लोड गर्ने भन्ने कुरा यहाँ छ:
'' अजगर
मोडेल बचत गर्दै
मोडेल.सेभ गर्नुहोस् ('मेरो_मोडेल.एच५')
मोडेल लोड गर्दै
नयाँ_मोडेल = tf.keras.models.load_model('मेरो_मोडेल.h5')
लोड गरिएको मोडेल प्रमाणित गर्दै
नोक्सान, acc = new_model.evaluate(परीक्षण_छविहरू, परीक्षण_लेबलहरू)
print(f'लोड गरिएको मोडेलको शुद्धता: {acc}')
"'
केसिम्पुलन
यो गाइडले शुरुवातकर्ताहरूका लागि TensorFlow सँग सुरु गर्ने बारे विस्तृत परिचय प्रदान गर्दछ। हामीले MNIST डेटासेट प्रयोग गरेर स्थापना, आधारभूत टेन्सर सञ्चालन र साधारण न्यूरल नेटवर्क मोडेल निर्माण गर्ने कुराहरू समेटेका छौं। TensorFlow ले अन्वेषण गर्न धेरै उन्नत क्षमताहरू प्रदान गर्दछ, जस्तै उन्नत डेटा प्रशोधन, थप जटिल मोडेलहरू, र TPU र GPU जस्ता उपकरणहरूमा TensorFlow प्रयोग गर्ने। हामी आशा गर्छौं कि यो ट्यूटोरियलले तपाईंलाई TensorFlow सँग मेसिन लर्निङको संसारमा सुरु गर्न मद्दत गर्नेछ।
