TensorFlow ٹیوٹوریل برائے ابتدائیہ
TensorFlow گہری سیکھنے اور مشین لرننگ کے لیے سب سے مشہور فریم ورک میں سے ایک ہے۔ گوگل برین ٹیم کی طرف سے تیار کردہ، TensorFlow کو متعدد تحقیقی منصوبوں اور صنعتی ایپلی کیشنز میں وسیع پیمانے پر استعمال کیا گیا ہے۔ یہ مضمون آپ کو ایک ابتدائی کے طور پر، TensorFlow کے ساتھ شروع کرنے میں مدد کرنے کے لیے ایک مرحلہ وار ٹیوٹوریل فراہم کرتا ہے۔
1. TensorFlow کی بنیادی باتوں کو سمجھنا
اس سے پہلے کہ ہم TensorFlow کو انسٹال اور استعمال کرنا شروع کریں، یہ سمجھنا ضروری ہے کہ TensorFlow کیا ہے اور اس کے پیچھے بنیادی تصورات ہیں۔ TensorFlow عددی کمپیوٹیشن اور مشین لرننگ کے لیے ایک اوپن سورس فریم ورک ہے۔ یہ عددی کارروائیوں کو انجام دینے کے لیے ڈیٹا فلو گرافس کا استعمال کرتا ہے، جہاں گراف میں موجود نوڈس ریاضیاتی عمل کی نمائندگی کرتے ہیں، اور کنارے ان کے درمیان جڑے کثیر جہتی ڈیٹا اری (ٹینسر) کی نمائندگی کرتے ہیں۔
2. TensorFlow کی تنصیب
TensorFlow استعمال کرنے کا پہلا مرحلہ اسے انسٹال کرنا ہے۔ Python پیکیج مینیجر، pip کا استعمال کرتے ہوئے TensorFlow کو انسٹال کرنے کا طریقہ یہاں ہے۔
1. ازگر کی تنصیب:
یقینی بنائیں کہ آپ نے اپنے سسٹم پر ازگر انسٹال کر رکھا ہے۔ اس تحریر کے وقت TensorFlow Python 3.6 سے 3.9 کے ساتھ مطابقت رکھتا ہے۔ آپ ازگر کو سرکاری ازگر کی ویب سائٹ سے ڈاؤن لوڈ کر سکتے ہیں۔
2. مجازی ماحول:
اپنے TensorFlow پروجیکٹ کو الگ تھلگ کرنے کے لیے ایک ورچوئل ماحول بنانے کی انتہائی سفارش کی جاتی ہے:
"ش
python -m venv myenv
ماخذ myenv/bin/activate برائے میک/لینکس صارفین
myenv\Scripts\ایکٹیویٹ برائے ونڈوز صارفین
“۔
3. TensorFlow کی تنصیب:
اب، پائپ کا استعمال کرتے ہوئے TensorFlow انسٹال کریں:
"ش
پائپ انسٹال ٹینسر فلو
“۔
3. TensorFlow کے ساتھ ہیلو ورلڈ
اب جبکہ TensorFlow انسٹال ہو چکا ہے، آئیے انسٹالیشن کی تصدیق کے لیے ایک سادہ Python اسکرپٹ بنائیں۔ ایک نئی Python فائل بنائیں اور اسے 'hello_tensorflow.py' کا نام دیں۔
'' ازگر
ٹینسر فلو کو بطور ٹی ایف درآمد کریں۔
ایک مستقل بنائیں
hello = tf.constant ('ہیلو، ٹینسر فلو!')
سیشن شروع کریں۔
tf.Session() کے ساتھ بطور ses:
نتیجہ = sess.run (ہیلو)
پرنٹ (نتیجہ)
“۔
TensorFlow ورژن 2.x کے مطابق کوڈ کو اپنائیں:
'' ازگر
ٹینسر فلو کو بطور ٹی ایف درآمد کریں۔
ایک مستقل بنائیں
hello = tf.constant ('ہیلو، ٹینسر فلو!')
ایگزیکیوشن کا استعمال کرتے ہوئے چلائیں (بطور ڈیفالٹ آن)
پرنٹ(hello.numpy())
“۔
فائل کو محفوظ کریں، پھر چلائیں:
"ش
python hello_tensorflow.py
“۔
4. ٹینسرز اور بنیادی آپریشنز کو سمجھنا
ٹینسر ٹینسر فلو میں بنیادی ڈیٹا ڈھانچہ ہیں، جو کثیر جہتی صفیں ہیں۔ ٹینسر کو سمجھنے میں آپ کی مدد کے لیے یہاں کچھ مثالیں ہیں:
'' ازگر
ٹینسر فلو کو بطور ٹی ایف درآمد کریں۔
ٹینسر بنانا
اسکیلر = ٹی ایف۔ مستقل (7) اسکیلر
vector = tf. مستقل ([1, 2, 3]) ویکٹر
میٹرکس = ٹی ایف۔ مستقل ([[1، 2]، [3، 4]]) میٹرکس
tensor3d = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]]) 3D ٹینسر
پرنٹ (f'Scalar: {scalar}')
پرنٹ (f'Vector: {vector}')
پرنٹ (f'Matrix: {matrix}')
پرنٹ (f'Tensor 3D: {tensor3d}')
“۔
ٹینسر پر بنیادی آپریشن کرنے کے لیے:
'' ازگر
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
اضافی آپریشن
add = tf.add(a, b)
میٹرکس ضرب کی کارروائیاں
mul = tf.matmul(a, b)
پرنٹ (f'Addition: {add}')
پرنٹ (f'میٹرکس ضرب: {mul}')
“۔
5. ایک سادہ نیورل نیٹ ورک ماڈل بنانا
اگلا مرحلہ ایک سادہ نیورل نیٹ ورک ماڈل بنانا ہے۔ ہم MNIST ڈیٹاسیٹ کا استعمال کرتے ہوئے ایک تصویری درجہ بندی کا ماڈل بنائیں گے، جو ہاتھ سے لکھی ہندسوں کی تصاویر کا ڈیٹا بیس ہے۔ آئیے شروع کریں:
'' ازگر
ٹینسر فلو کو بطور ٹی ایف درآمد کریں۔
tensorflow.keras سے ڈیٹاسیٹس، پرتیں، ماڈل درآمد کریں۔
MNIST ڈیٹاسیٹ ڈاؤن لوڈ کرنا
(train_images، train_labels)، (test_images، test_labels) = datasets.mnist.load_data()
امیج نارملائزیشن
train_images، test_images = train_images / 255.0, test_images / 255.0
ماڈل بنانا
ماڈل = ماڈلز۔ ترتیب وار([
تہوں۔چپٹا(input_shape=(28, 28))،
layers.Dense(128, activation='relu'),
تہوں۔ گھنی(10)
])
ماڈل کی تالیف
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)،
میٹرکس = ['درستیت'])
ماڈل کی تربیت
model.fit(train_images, train_labels, epochs=5)
ماڈل کی جانچ
test_loss, test_acc = model.evaluate(test_images, test_labels)
پرنٹ (f'ٹیسٹ درستگی: {test_acc}')
“۔
وضاحت:
– ڈیٹاسیٹ: ہم MNIST ڈیٹاسیٹ درآمد اور لوڈ کرتے ہیں۔
- پری پروسیسنگ: پکسل ویلیو کو 255 سے تقسیم کرکے ڈیٹاسیٹ کو معمول بنائیں۔
- ماڈل: ہم دو تہوں کے ساتھ ایک سادہ ماڈل کی وضاحت کرتے ہیں۔ پہلی پرت 2D امیج کو 1D صف میں تبدیل کرنے کے لیے ایک 'فلیٹن' پرت ہے۔ دوسری پرت ایک `گھنی` پرت ہے جس میں 128 نیوران ہیں اور `ریلو` ایکٹیویشن فنکشن کے طور پر ہے، اور آخری ایک `گھنی` پرت ہے جس میں 10 نیوران ہیں جو 10 کلاسوں کی نمائندگی کرتے ہیں۔
- مرتب کریں: ہم ماڈل کو 'adam' آپٹیمائزر اور 'SparseCategoricalCrossentropy' کو نقصان کے فنکشن کے طور پر استعمال کرتے ہوئے مرتب کرتے ہیں۔
- ٹرین: ماڈل کو 5 دوروں کے لیے تربیت دیں۔
- تشخیص کریں: ٹیسٹ کے اعداد و شمار کے خلاف ماڈل کا اندازہ کریں۔
6. ماڈلز کو محفوظ کرنا اور لوڈ کرنا
ماڈل کو تربیت دینے کے بعد، آپ اسے دوبارہ تربیت دیئے بغیر بعد میں استعمال کے لیے محفوظ کرنا چاہیں گے۔ ماڈل کو محفوظ کرنے اور لوڈ کرنے کا طریقہ یہاں ہے:
'' ازگر
ماڈل کو محفوظ کرنا
model.save('my_model.h5')
ماڈل لوڈ ہو رہا ہے۔
new_model = tf.keras.models.load_model('my_model.h5′)
بھری ہوئی ماڈل کی تصدیق ہو رہی ہے۔
نقصان، acc = new_model.evaluate(test_images، test_labels)
پرنٹ (ف' بھری ہوئی ماڈل کی درستگی: {acc}')
“۔
نتیجہ اخذ کرنا
یہ گائیڈ ابتدائی افراد کے لیے TensorFlow کے ساتھ شروع کرنے کا تفصیلی تعارف فراہم کرتا ہے۔ ہم نے MNIST ڈیٹا سیٹ کا استعمال کرتے ہوئے انسٹالیشن، بنیادی ٹینسر آپریشنز، اور ایک سادہ نیورل نیٹ ورک ماڈل بنانے کا احاطہ کیا ہے۔ TensorFlow دریافت کرنے کے لیے بہت سی جدید صلاحیتیں پیش کرتا ہے، جیسے کہ جدید ڈیٹا پروسیسنگ، زیادہ پیچیدہ ماڈلز، اور TPUs اور GPUs جیسے آلات پر TensorFlow کا استعمال۔ ہمیں امید ہے کہ یہ ٹیوٹوریل TensorFlow کے ساتھ مشین لرننگ کی دنیا میں شروع کرنے میں آپ کی مدد کرے گا۔
