ආරම්භකයින් සඳහා TensorFlow නිබන්ධනය
TensorFlow යනු ගැඹුරු ඉගෙනීම සහ යන්ත්ර ඉගෙනීම සඳහා වඩාත් ජනප්රිය රාමු වලින් එකකි. Google Brain කණ්ඩායම විසින් වැඩි දියුණු කරන ලද TensorFlow, බොහෝ පර්යේෂණ ව්යාපෘති සහ කාර්මික යෙදුම්වල බහුලව භාවිතා වේ. ආරම්භකයෙකු ලෙස, TensorFlow සමඟ ආරම්භ කිරීමට ඔබට උපකාර කිරීම සඳහා මෙම ලිපිය පියවරෙන් පියවර නිබන්ධනයක් සපයයි.
1. TensorFlow මූලික කරුණු අවබෝධ කර ගැනීම
TensorFlow ස්ථාපනය කිරීම සහ භාවිතා කිරීම ආරම්භ කිරීමට පෙර, TensorFlow යනු කුමක්ද සහ එය පිටුපස ඇති මූලික සංකල්ප තේරුම් ගැනීම වැදගත් වේ. TensorFlow යනු සංඛ්යාත්මක ගණනය කිරීම් සහ යන්ත්ර ඉගෙනීම සඳහා විවෘත මූලාශ්ර රාමුවකි. එය සංඛ්යාත්මක මෙහෙයුම් සිදු කිරීම සඳහා දත්ත ප්රවාහ ප්රස්ථාර භාවිතා කරයි, එහිදී ග්රැෆික් නෝඩ් ගණිතමය මෙහෙයුම් නියෝජනය කරන අතර දාර ඒවා අතර සම්බන්ධිත බහුමාන දත්ත අරා (ටෙන්සර්) නියෝජනය කරයි.
2. ටෙන්සර්ෆ්ලෝ ස්ථාපනය
TensorFlow භාවිතා කිරීමේ පළමු පියවර වන්නේ එය ස්ථාපනය කිරීමයි. Python පැකේජ කළමනාකරු වන pip භාවිතයෙන් TensorFlow ස්ථාපනය කරන්නේ කෙසේද යන්න මෙන්න.
1. පයිතන් ස්ථාපනය:
ඔබේ පද්ධතියේ Python ස්ථාපනය කර ඇති බවට වග බලා ගන්න. මෙම ලිපිය ලියන අවස්ථාව වන විට TensorFlow, Python 3.6 සිට 3.9 දක්වා අනුකූල වේ. ඔබට නිල Python වෙබ් අඩවියෙන් Python බාගත කළ හැකිය.
2. අතථ්ය පරිසරය:
ඔබගේ TensorFlow ව්යාපෘතිය හුදකලා කිරීම සඳහා අතථ්ය පරිසරයක් නිර්මාණය කිරීම බෙහෙවින් නිර්දේශ කෙරේ:
"`ෂ්
පිඹුරා -m venv myenv
මූලාශ්ර myenv/bin/activate Mac/Linux පරිශීලකයින් සඳහා
Windows පරිශීලකයින් සඳහා myenv\Scripts\සක්රිය කරන්න
""
3. ටෙන්සර්ෆ්ලෝ ස්ථාපනය:
දැන්, pip භාවිතයෙන් TensorFlow ස්ථාපනය කරන්න:
"`ෂ්
pip ස්ථාපනය tensorflow
""
3. ටෙන්සර්ෆ්ලෝ සමඟ හෙලෝ වර්ල්ඩ්
දැන් TensorFlow ස්ථාපනය කර ඇති බැවින්, ස්ථාපනය සත්යාපනය කිරීම සඳහා සරල Python ස්ක්රිප්ට් එකක් නිර්මාණය කරමු. නව Python ගොනුවක් සාදා එයට `hello_tensorflow.py` ලෙස නම් කරන්න.
"`පිඹුරා
tf ලෙස tensorflow ආනයනය කරන්න
නියතයක් සාදන්න
හෙලෝ = tf.constant('හෙලෝ, ටෙන්සර්ෆ්ලෝ!')
සැසිය ආරම්භ කරන්න
tf.Session() sess ලෙස සමඟ:
ප්රතිඵලය = sess.run(හෙලෝ)
මුද්රණය (ප්රතිඵලය)
""
TensorFlow අනුවාදය 2.x ට අනුව කේතය අනුවර්තනය කරන්න:
"`පිඹුරා
tf ලෙස tensorflow ආනයනය කරන්න
නියතයක් සාදන්න
හෙලෝ = tf.constant('හෙලෝ, ටෙන්සර්ෆ්ලෝ!')
ඇජෙස්ටර් ක්රියාත්මක කිරීම භාවිතයෙන් ධාවනය කරන්න (පෙරනිමියෙන් සක්රිය)
මුද්රණය කරන්න(හෙලෝ.නම්පි())
""
ගොනුව සුරකින්න, ඉන්පසු ධාවනය කරන්න:
"`ෂ්
පයිතන් hello_tensorflow.py
""
4. ටෙන්සර් සහ මූලික මෙහෙයුම් අවබෝධ කර ගැනීම
ටෙන්සර් යනු ටෙන්සර්ෆ්ලෝ හි ප්රාථමික දත්ත ව්යුහය වන අතර ඒවා බහුමාන අරා වේ. ටෙන්සර් තේරුම් ගැනීමට ඔබට උපකාරී වන උදාහරණ කිහිපයක් මෙන්න:
"`පිඹුරා
tf ලෙස tensorflow ආනයනය කරන්න
ටෙන්සර් නිර්මාණය කිරීම
අදිශ = tf. නියතය(7) අදිශ
දෛශිකය = tf. නියතය([1, 2, 3]) දෛශිකය
අනුකෘතිය = tf. නියතය([[1, 2], [3, 4]]) අනුකෘතිය
tensor3d = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) 3D ටෙන්සරය
මුද්රණය කරන්න(f'අදියර: {අදියර}')
මුද්රණය කරන්න(f'දෛශිකය: {දෛශිකය}')
මුද්රණය කරන්න(f'matrix: {matrix}')
මුද්රණය කරන්න(f'ටෙන්සර් 3D: {ටෙන්සර්3d}')
""
ටෙන්සර් මත මූලික මෙහෙයුම් සිදු කිරීමට:
"`පිඹුරා
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
එකතු කිරීමේ මෙහෙයුම
එකතු කරන්න = tf.add(a, b)
අනුකෘති ගුණ කිරීමේ මෙහෙයුම්
mul = tf.matmul(a, b)
මුද්රණය කරන්න(f'එකතු කිරීම: {එකතු කරන්න}')
print(f'matrix ගුණ කිරීම: {mul}')
""
5. සරල ස්නායුක ජාල ආකෘතියක් නිර්මාණය කිරීම
ඊළඟ පියවර වන්නේ සරල ස්නායුක ජාල ආකෘතියක් නිර්මාණය කිරීමයි. අපි අතින් ලියන ලද සංඛ්යාංක රූපවල දත්ත සමුදායක් වන MNIST දත්ත කට්ටලය භාවිතයෙන් රූප වර්ගීකරණ ආකෘතියක් ගොඩනඟමු. අපි ආරම්භ කරමු:
"`පිඹුරා
tf ලෙස tensorflow ආනයනය කරන්න
tensorflow.keras වෙතින් දත්ත කට්ටල, ස්ථර, ආකෘති ආයාත කරන්න
MNIST දත්ත කට්ටලය බාගත කිරීම
(දුම්රිය_රූප, දුම්රිය_ලේබල්), (පරීක්ෂණ_රූප, පරීක්ෂණ_ලේබල්) = දත්ත කට්ටල.mnist.load_data()
රූප සාමාන්යකරණය
දුම්රිය_රූප, පරීක්ෂණ_රූප = දුම්රිය_රූප / 255.0, පරීක්ෂණ_රූප / 255.0
ආකෘතියක් සෑදීම.
ආකෘතිය = ආකෘති. අනුක්රමික([
ස්ථර.පැතලි(ආදාන_හැඩය=(28, 28)),
ස්ථර.ඝන (128, සක්රිය කිරීම='relu'),
ස්ථර.ඝන(10)
])
ආකෘති සම්පාදනය
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
මිනුම්=['නිරවද්යතාවය'])
ආකෘතිය පුහුණු කිරීම
model.fit(දුම්රිය_රූප, දුම්රිය_ලේබල්, යුග=5)
ආකෘතිය පරීක්ෂා කිරීම
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'පරීක්ෂණ නිරවද්යතාවය: {test_acc}')
""
පැහැදිලි කිරීම:
– දත්ත කට්ටල: අපි MNIST දත්ත කට්ටලය ආයාත කර පූරණය කරමු.
– පෙර සැකසුම් කිරීම: පික්සල් අගයන් 255 න් බෙදීමෙන් දත්ත කට්ටලය සාමාන්යකරණය කරන්න.
– ආකෘතිය: අපි ස්ථර දෙකක් සහිත සරල ආකෘතියක් අර්ථ දක්වමු. පළමු ස්ථරය 2D රූපය 1D අරාවක් බවට පරිවර්තනය කිරීම සඳහා `පැතලි` ස්ථරයකි. දෙවන ස්ථරය සක්රිය කිරීමේ ශ්රිතය ලෙස නියුරෝන 128 ක් සහ `relu` සහිත `ඝන` ස්ථරයක් වන අතර අවසාන ස්ථරය පන්ති 10 ක් නියෝජනය කරන නියුරෝන 10 ක් සහිත `ඝන` ස්ථරයකි.
– සම්පාදනය කරන්න: අපි `adam` ප්රශස්තිකරණය සහ `SparseCategoryicalCrossentropy` loss ශ්රිතය ලෙස භාවිතා කරමින් ආකෘතිය සම්පාදනය කරමු.
– දුම්රිය: යුග 5ක් සඳහා ආකෘතිය පුහුණු කරන්න.
- ඇගයීම: පරීක්ෂණ දත්ත වලට අනුව ආකෘතිය ඇගයීම.
6. ආකෘති සුරැකීම සහ පැටවීම
ආකෘතියක් පුහුණු කිරීමෙන් පසු, එය නැවත පුහුණු කිරීමකින් තොරව පසුකාලීන භාවිතය සඳහා සුරැකීමට ඔබට අවශ්ය විය හැකිය. ආකෘතියක් සුරැකීමට සහ පූරණය කිරීමට මෙන්න:
"`පිඹුරා
ආකෘතිය සුරැකීම
ආකෘතිය.සුරකින්න('මගේ_මාදිලිය.h5')
ආකෘතිය පූරණය වෙමින් පවතී
නව_මාදිලිය = tf.keras.models.load_model('මගේ_මාදිලිය.h5')
පටවන ලද ආකෘතිය සත්යාපනය කිරීම
loss, acc = new_model.evaluate(පරීක්ෂණ_රූප, පරීක්ෂණ_ලේබල්)
print(f'පටවන ලද ආකෘතියේ නිරවද්යතාවය: {acc}')
""
නිගමනය
මෙම මාර්ගෝපදේශය ආරම්භකයින් සඳහා TensorFlow සමඟ ආරම්භ කිරීම සඳහා සවිස්තරාත්මක හැඳින්වීමක් සපයයි. අපි ස්ථාපනය, මූලික ටෙන්සර් මෙහෙයුම් සහ MNIST දත්ත කට්ටලය භාවිතයෙන් සරල ස්නායුක ජාල ආකෘතියක් ගොඩනැගීම ආවරණය කර ඇත්තෙමු. TensorFlow උසස් දත්ත සැකසීම, වඩාත් සංකීර්ණ ආකෘති සහ TPU සහ GPU වැනි උපාංගවල TensorFlow භාවිතා කිරීම වැනි ගවේෂණය කිරීමට බොහෝ දියුණු හැකියාවන් ලබා දෙයි. මෙම නිබන්ධනය TensorFlow සමඟ යන්ත්ර ඉගෙනීමේ ලෝකයේ ආරම්භ කිරීමට ඔබට උපකාරී වනු ඇතැයි අපි බලාපොරොත්තු වෙමු.
