টেনসরফ্লো হাবের সাথে পাঠ্য শ্রেণিবিন্যাস: মুভি পর্যালোচনা

TensorFlow.org এ দেখুন Google Colab-এ চালান GitHub এ দেখুন নোটবুক ডাউনলোড করুন TF হাব মডেল দেখুন

এই নোটবুকটি পর্যালোচনার পাঠ্য ব্যবহার করে মুভি পর্যালোচনাগুলিকে ইতিবাচক বা নেতিবাচক হিসাবে শ্রেণীবদ্ধ করে৷ এটি বাইনারি —বা দ্বি-শ্রেণী—শ্রেণীবিভাগের একটি উদাহরণ, একটি গুরুত্বপূর্ণ এবং ব্যাপকভাবে প্রযোজ্য ধরনের মেশিন লার্নিং সমস্যা।

টিউটোরিয়ালটি টেনসরফ্লো হাব এবং কেরাসের সাথে ট্রান্সফার শেখার প্রাথমিক প্রয়োগ প্রদর্শন করে।

এটি আইএমডিবি ডেটাসেট ব্যবহার করে যাতে ইন্টারনেট মুভি ডেটাবেস থেকে 50,000 মুভি পর্যালোচনার পাঠ্য থাকে। এগুলি প্রশিক্ষণের জন্য 25,000টি পর্যালোচনা এবং পরীক্ষার জন্য 25,000টি পর্যালোচনাতে বিভক্ত। প্রশিক্ষণ এবং পরীক্ষার সেটগুলি ভারসাম্যপূর্ণ , যার অর্থ তাদের সমান সংখ্যক ইতিবাচক এবং নেতিবাচক পর্যালোচনা রয়েছে৷

এই নোটবুকটি tf.keras ব্যবহার করে, tf.keras মডেল তৈরি এবং প্রশিক্ষণের জন্য একটি উচ্চ-স্তরের API, এবং tensorflow_hub , কোডের একটি লাইনে TFHub থেকে প্রশিক্ষিত মডেল লোড করার জন্য একটি লাইব্রেরি। tf.keras ব্যবহার করে আরও উন্নত টেক্সট ক্লাসিফিকেশন টিউটোরিয়ালের জন্য, MLCC টেক্সট ক্লাসিফিকেশন গাইড দেখুন।

pip install tensorflow-hub
pip install tensorflow-datasets

import os
import numpy as np

import tensorflow as tf
import tensorflow_hub as hub
import tensorflow_datasets as tfds

print("Version: ", tf.__version__)
print("Eager mode: ", tf.executing_eagerly())
print("Hub version: ", hub.__version__)
print("GPU is", "available" if tf.config.list_physical_devices("GPU") else "NOT AVAILABLE")

Version:  2.8.0-rc1
Eager mode:  True
Hub version:  0.12.0
GPU is available

IMDB ডেটাসেট ডাউনলোড করুন

IMDB ডেটাসেটটি imdb রিভিউ বা TensorFlow ডেটাসেটে পাওয়া যায়। নিম্নলিখিত কোডটি আপনার মেশিনে (বা কোল্যাব রানটাইম) IMDB ডেটাসেট ডাউনলোড করে:

# Split the training set into 60% and 40% to end up with 15,000 examples
# for training, 10,000 examples for validation and 25,000 examples for testing.
train_data, validation_data, test_data = tfds.load(
    name="imdb_reviews", 
    split=('train[:60%]', 'train[60%:]', 'test'),
    as_supervised=True)

তথ্য অন্বেষণ

আসুন ডেটার বিন্যাসটি বুঝতে একটু সময় নিই। প্রতিটি উদাহরণ হল একটি বাক্য যা চলচ্চিত্র পর্যালোচনা এবং একটি সংশ্লিষ্ট লেবেলকে উপস্থাপন করে। বাক্যটি কোনোভাবেই প্রিপ্রসেসড নয়। লেবেলটি 0 বা 1 এর একটি পূর্ণসংখ্যার মান, যেখানে 0 একটি নেতিবাচক পর্যালোচনা এবং 1 একটি ইতিবাচক পর্যালোচনা৷

প্রথম 10টি উদাহরণ প্রিন্ট করা যাক।

train_examples_batch, train_labels_batch = next(iter(train_data.batch(10)))
train_examples_batch

<tf.Tensor: shape=(10,), dtype=string, numpy=
array([b"This was an absolutely terrible movie. Don't be lured in by Christopher Walken or Michael Ironside. Both are great actors, but this must simply be their worst role in history. Even their great acting could not redeem this movie's ridiculous storyline. This movie is an early nineties US propaganda piece. The most pathetic scenes were those when the Columbian rebels were making their cases for revolutions. Maria Conchita Alonso appeared phony, and her pseudo-love affair with Walken was nothing but a pathetic emotional plug in a movie that was devoid of any real meaning. I am disappointed that there are movies like this, ruining actor's like Christopher Walken's good name. I could barely sit through it.",
       b'I have been known to fall asleep during films, but this is usually due to a combination of things including, really tired, being warm and comfortable on the sette and having just eaten a lot. However on this occasion I fell asleep because the film was rubbish. The plot development was constant. Constantly slow and boring. Things seemed to happen, but with no explanation of what was causing them or why. I admit, I may have missed part of the film, but i watched the majority of it and everything just seemed to happen of its own accord without any real concern for anything else. I cant recommend this film at all.',
       b'Mann photographs the Alberta Rocky Mountains in a superb fashion, and Jimmy Stewart and Walter Brennan give enjoyable performances as they always seem to do. <br /><br />But come on Hollywood - a Mountie telling the people of Dawson City, Yukon to elect themselves a marshal (yes a marshal!) and to enforce the law themselves, then gunfighters battling it out on the streets for control of the town? <br /><br />Nothing even remotely resembling that happened on the Canadian side of the border during the Klondike gold rush. Mr. Mann and company appear to have mistaken Dawson City for Deadwood, the Canadian North for the American Wild West.<br /><br />Canadian viewers be prepared for a Reefer Madness type of enjoyable howl with this ludicrous plot, or, to shake your head in disgust.',
       b'This is the kind of film for a snowy Sunday afternoon when the rest of the world can go ahead with its own business as you descend into a big arm-chair and mellow for a couple of hours. Wonderful performances from Cher and Nicolas Cage (as always) gently row the plot along. There are no rapids to cross, no dangerous waters, just a warm and witty paddle through New York life at its best. A family film in every sense and one that deserves the praise it received.',
       b'As others have mentioned, all the women that go nude in this film are mostly absolutely gorgeous. The plot very ably shows the hypocrisy of the female libido. When men are around they want to be pursued, but when no "men" are around, they become the pursuers of a 14 year old boy. And the boy becomes a man really fast (we should all be so lucky at this age!). He then gets up the courage to pursue his true love.',
       b"This is a film which should be seen by anybody interested in, effected by, or suffering from an eating disorder. It is an amazingly accurate and sensitive portrayal of bulimia in a teenage girl, its causes and its symptoms. The girl is played by one of the most brilliant young actresses working in cinema today, Alison Lohman, who was later so spectacular in 'Where the Truth Lies'. I would recommend that this film be shown in all schools, as you will never see a better on this subject. Alison Lohman is absolutely outstanding, and one marvels at her ability to convey the anguish of a girl suffering from this compulsive disorder. If barometers tell us the air pressure, Alison Lohman tells us the emotional pressure with the same degree of accuracy. Her emotional range is so precise, each scene could be measured microscopically for its gradations of trauma, on a scale of rising hysteria and desperation which reaches unbearable intensity. Mare Winningham is the perfect choice to play her mother, and does so with immense sympathy and a range of emotions just as finely tuned as Lohman's. Together, they make a pair of sensitive emotional oscillators vibrating in resonance with one another. This film is really an astonishing achievement, and director Katt Shea should be proud of it. The only reason for not seeing it is if you are not interested in people. But even if you like nature films best, this is after all animal behaviour at the sharp edge. Bulimia is an extreme version of how a tormented soul can destroy her own body in a frenzy of despair. And if we don't sympathise with people suffering from the depths of despair, then we are dead inside.",
       b'Okay, you have:<br /><br />Penelope Keith as Miss Herringbone-Tweed, B.B.E. (Backbone of England.) She\'s killed off in the first scene - that\'s right, folks; this show has no backbone!<br /><br />Peter O\'Toole as Ol\' Colonel Cricket from The First War and now the emblazered Lord of the Manor.<br /><br />Joanna Lumley as the ensweatered Lady of the Manor, 20 years younger than the colonel and 20 years past her own prime but still glamourous (Brit spelling, not mine) enough to have a toy-boy on the side. It\'s alright, they have Col. Cricket\'s full knowledge and consent (they guy even comes \'round for Christmas!) Still, she\'s considerate of the colonel enough to have said toy-boy her own age (what a gal!)<br /><br />David McCallum as said toy-boy, equally as pointlessly glamourous as his squeeze. Pilcher couldn\'t come up with any cover for him within the story, so she gave him a hush-hush job at the Circus.<br /><br />and finally:<br /><br />Susan Hampshire as Miss Polonia Teacups, Venerable Headmistress of the Venerable Girls\' Boarding-School, serving tea in her office with a dash of deep, poignant advice for life in the outside world just before graduation. Her best bit of advice: "I\'ve only been to Nancherrow (the local Stately Home of England) once. I thought it was very beautiful but, somehow, not part of the real world." Well, we can\'t say they didn\'t warn us.<br /><br />Ah, Susan - time was, your character would have been running the whole show. They don\'t write \'em like that any more. Our loss, not yours.<br /><br />So - with a cast and setting like this, you have the re-makings of "Brideshead Revisited," right?<br /><br />Wrong! They took these 1-dimensional supporting roles because they paid so well. After all, acting is one of the oldest temp-jobs there is (YOU name another!)<br /><br />First warning sign: lots and lots of backlighting. They get around it by shooting outdoors - "hey, it\'s just the sunlight!"<br /><br />Second warning sign: Leading Lady cries a lot. When not crying, her eyes are moist. That\'s the law of romance novels: Leading Lady is "dewy-eyed."<br /><br />Henceforth, Leading Lady shall be known as L.L.<br /><br />Third warning sign: L.L. actually has stars in her eyes when she\'s in love. Still, I\'ll give Emily Mortimer an award just for having to act with that spotlight in her eyes (I wonder . did they use contacts?)<br /><br />And lastly, fourth warning sign: no on-screen female character is "Mrs." She\'s either "Miss" or "Lady."<br /><br />When all was said and done, I still couldn\'t tell you who was pursuing whom and why. I couldn\'t even tell you what was said and done.<br /><br />To sum up: they all live through World War II without anything happening to them at all.<br /><br />OK, at the end, L.L. finds she\'s lost her parents to the Japanese prison camps and baby sis comes home catatonic. Meanwhile (there\'s always a "meanwhile,") some young guy L.L. had a crush on (when, I don\'t know) comes home from some wartime tough spot and is found living on the street by Lady of the Manor (must be some street if SHE\'s going to find him there.) Both war casualties are whisked away to recover at Nancherrow (SOMEBODY has to be "whisked away" SOMEWHERE in these romance stories!)<br /><br />Great drama.',
       b'The film is based on a genuine 1950s novel.<br /><br />Journalist Colin McInnes wrote a set of three "London novels": "Absolute Beginners", "City of Spades" and "Mr Love and Justice". I have read all three. The first two are excellent. The last, perhaps an experiment that did not come off. But McInnes\'s work is highly acclaimed; and rightly so. This musical is the novelist\'s ultimate nightmare - to see the fruits of one\'s mind being turned into a glitzy, badly-acted, soporific one-dimensional apology of a film that says it captures the spirit of 1950s London, and does nothing of the sort.<br /><br />Thank goodness Colin McInnes wasn\'t alive to witness it.',
       b'I really love the sexy action and sci-fi films of the sixties and its because of the actress\'s that appeared in them. They found the sexiest women to be in these films and it didn\'t matter if they could act (Remember "Candy"?). The reason I was disappointed by this film was because it wasn\'t nostalgic enough. The story here has a European sci-fi film called "Dragonfly" being made and the director is fired. So the producers decide to let a young aspiring filmmaker (Jeremy Davies) to complete the picture. They\'re is one real beautiful woman in the film who plays Dragonfly but she\'s barely in it. Film is written and directed by Roman Coppola who uses some of his fathers exploits from his early days and puts it into the script. I wish the film could have been an homage to those early films. They could have lots of cameos by actors who appeared in them. There is one actor in this film who was popular from the sixties and its John Phillip Law (Barbarella). Gerard Depardieu, Giancarlo Giannini and Dean Stockwell appear as well. I guess I\'m going to have to continue waiting for a director to make a good homage to the films of the sixties. If any are reading this, "Make it as sexy as you can"! I\'ll be waiting!',
       b'Sure, this one isn\'t really a blockbuster, nor does it target such a position. "Dieter" is the first name of a quite popular German musician, who is either loved or hated for his kind of acting and thats exactly what this movie is about. It is based on the autobiography "Dieter Bohlen" wrote a few years ago but isn\'t meant to be accurate on that. The movie is filled with some sexual offensive content (at least for American standard) which is either amusing (not for the other "actors" of course) or dumb - it depends on your individual kind of humor or on you being a "Bohlen"-Fan or not. Technically speaking there isn\'t much to criticize. Speaking of me I find this movie to be an OK-movie.'],
      dtype=object)>

এর প্রথম 10টি লেবেলও প্রিন্ট করা যাক।

train_labels_batch

<tf.Tensor: shape=(10,), dtype=int64, numpy=array([0, 0, 0, 1, 1, 1, 0, 0, 0, 0])>

মডেল তৈরি করুন

স্নায়ু নেটওয়ার্কটি স্তরগুলিকে স্ট্যাকিং করে তৈরি করা হয়েছে - এর জন্য তিনটি প্রধান স্থাপত্যগত সিদ্ধান্তের প্রয়োজন:

  • কিভাবে টেক্সট প্রতিনিধিত্ব করতে?
  • মডেলে কয়টি স্তর ব্যবহার করতে হবে?
  • প্রতিটি স্তরের জন্য কতগুলি লুকানো ইউনিট ব্যবহার করতে হবে?

এই উদাহরণে, ইনপুট ডেটা বাক্য নিয়ে গঠিত। ভবিষ্যদ্বাণী করার জন্য লেবেলগুলি হয় 0 বা 1৷

পাঠ্যের প্রতিনিধিত্ব করার একটি উপায় হল বাক্যকে এমবেডিং ভেক্টরে রূপান্তর করা। প্রথম স্তর হিসাবে একটি প্রাক-প্রশিক্ষিত পাঠ্য এম্বেডিং ব্যবহার করুন, যার তিনটি সুবিধা থাকবে:

  • আপনাকে পাঠ্য প্রিপ্রসেসিং সম্পর্কে চিন্তা করতে হবে না,
  • ট্রান্সফার লার্নিং থেকে উপকৃত হওয়া,
  • এমবেডিংয়ের একটি নির্দিষ্ট আকার রয়েছে, তাই এটি প্রক্রিয়া করা সহজ।

এই উদাহরণের জন্য আপনি TensorFlow Hub থেকে google/nnlm-en-dim50/2 নামে একটি প্রাক-প্রশিক্ষিত পাঠ্য এমবেডিং মডেল ব্যবহার করেন।

TFHub থেকে আরও অনেক প্রাক-প্রশিক্ষিত টেক্সট এম্বেডিং রয়েছে যা এই টিউটোরিয়ালে ব্যবহার করা যেতে পারে:

  • google/nnlm-en-dim128/2 - google /nnlm-en-dim50/2 এর মতো একই ডেটাতে একই NNLM আর্কিটেকচারের সাথে প্রশিক্ষিত, কিন্তু একটি বৃহত্তর এম্বেডিং মাত্রা সহ। বৃহত্তর ডাইমেনশনাল এম্বেডিং আপনার টাস্কে উন্নতি করতে পারে কিন্তু আপনার মডেলকে প্রশিক্ষণ দিতে বেশি সময় লাগতে পারে।
  • google/nnlm-en-dim128-with-normalization/2 - google/nnlm-en-dim128/2 এর মতই, কিন্তু অতিরিক্ত টেক্সট স্বাভাবিককরণের সাথে যেমন বিরাম চিহ্ন সরানো। আপনার টাস্কের পাঠ্যে অতিরিক্ত অক্ষর বা বিরামচিহ্ন থাকলে এটি সাহায্য করতে পারে।
  • google/universal-sentence-encoder/4 - একটি ডিপ এভারেজিং নেটওয়ার্ক (DAN) এনকোডারের সাথে প্রশিক্ষিত 512 ডাইমেনশনাল এম্বেডিং প্রদানকারী একটি অনেক বড় মডেল।

এবং আরো অনেক! TFHub-এ আরও টেক্সট এমবেডিং মডেল খুঁজুন।

আসুন প্রথমে একটি কেরাস স্তর তৈরি করি যা বাক্যগুলি এম্বেড করতে একটি টেনসরফ্লো হাব মডেল ব্যবহার করে এবং কয়েকটি ইনপুট উদাহরণে এটি চেষ্টা করে দেখুন। মনে রাখবেন যে ইনপুট পাঠ্যের দৈর্ঘ্য যাই হোক না কেন, এম্বেডিংয়ের আউটপুট আকার হল: (num_examples, embedding_dimension) ।

embedding = "https://tfhub.dev/google/nnlm-en-dim50/2"
hub_layer = hub.KerasLayer(embedding, input_shape=[], 
                           dtype=tf.string, trainable=True)
hub_layer(train_examples_batch[:3])

<tf.Tensor: shape=(3, 50), dtype=float32, numpy=
array([[ 0.5423194 , -0.01190171,  0.06337537,  0.0686297 , -0.16776839,
        -0.10581177,  0.168653  , -0.04998823, -0.31148052,  0.07910344,
         0.15442258,  0.01488661,  0.03930155,  0.19772716, -0.12215477,
        -0.04120982, -0.27041087, -0.21922147,  0.26517656, -0.80739075,
         0.25833526, -0.31004202,  0.2868321 ,  0.19433866, -0.29036498,
         0.0386285 , -0.78444123, -0.04793238,  0.41102988, -0.36388886,
        -0.58034706,  0.30269453,  0.36308962, -0.15227163, -0.4439151 ,
         0.19462997,  0.19528405,  0.05666233,  0.2890704 , -0.28468323,
        -0.00531206,  0.0571938 , -0.3201319 , -0.04418665, -0.08550781,
        -0.55847436, -0.2333639 , -0.20782956, -0.03543065, -0.17533456],
       [ 0.56338924, -0.12339553, -0.10862677,  0.7753425 , -0.07667087,
        -0.15752274,  0.01872334, -0.08169781, -0.3521876 ,  0.46373403,
        -0.08492758,  0.07166861, -0.00670818,  0.12686071, -0.19326551,
        -0.5262643 , -0.32958236,  0.14394784,  0.09043556, -0.54175544,
         0.02468163, -0.15456744,  0.68333143,  0.09068333, -0.45327246,
         0.23180094, -0.8615696 ,  0.3448039 ,  0.12838459, -0.58759046,
        -0.40712303,  0.23061076,  0.48426905, -0.2712814 , -0.5380918 ,
         0.47016335,  0.2257274 , -0.00830665,  0.28462422, -0.30498496,
         0.04400366,  0.25025868,  0.14867125,  0.4071703 , -0.15422425,
        -0.06878027, -0.40825695, -0.31492147,  0.09283663, -0.20183429],
       [ 0.7456156 ,  0.21256858,  0.1440033 ,  0.52338624,  0.11032254,
         0.00902788, -0.36678016, -0.08938274, -0.24165548,  0.33384597,
        -0.111946  , -0.01460045, -0.00716449,  0.19562715,  0.00685217,
        -0.24886714, -0.42796353,  0.1862    , -0.05241097, -0.664625  ,
         0.13449019, -0.22205493,  0.08633009,  0.43685383,  0.2972681 ,
         0.36140728, -0.71968895,  0.05291242, -0.1431612 , -0.15733941,
        -0.15056324, -0.05988007, -0.08178931, -0.15569413, -0.09303784,
        -0.18971168,  0.0762079 , -0.02541647, -0.27134502, -0.3392682 ,
        -0.10296471, -0.27275252, -0.34078008,  0.20083308, -0.26644838,
         0.00655449, -0.05141485, -0.04261916, -0.4541363 ,  0.20023566]],
      dtype=float32)>

এখন সম্পূর্ণ মডেল তৈরি করা যাক:

model = tf.keras.Sequential()
model.add(hub_layer)
model.add(tf.keras.layers.Dense(16, activation='relu'))
model.add(tf.keras.layers.Dense(1))

model.summary()

Model: "sequential"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 keras_layer (KerasLayer)    (None, 50)                48190600  
                                                                 
 dense (Dense)               (None, 16)                816       
                                                                 
 dense_1 (Dense)             (None, 1)                 17        
                                                                 
=================================================================
Total params: 48,191,433
Trainable params: 48,191,433
Non-trainable params: 0
_________________________________________________________________

শ্রেণিবিন্যাসকারী তৈরি করতে স্তরগুলি ক্রমানুসারে স্ট্যাক করা হয়:

  1. প্রথম স্তরটি একটি টেনসরফ্লো হাব স্তর। এই স্তরটি একটি বাক্যকে এর এমবেডিং ভেক্টরে ম্যাপ করতে একটি প্রাক-প্রশিক্ষিত সংরক্ষিত মডেল ব্যবহার করে। আপনি যে প্রাক-প্রশিক্ষিত পাঠ্য এমবেডিং মডেলটি ব্যবহার করছেন ( google/nnlm-en-dim50/2 ) বাক্যটিকে টোকেনে বিভক্ত করে, প্রতিটি টোকেন এম্বেড করে এবং তারপর এম্বেডিংকে একত্রিত করে। ফলস্বরূপ মাত্রাগুলি হল: (num_examples, embedding_dimension) । এই NNLM মডেলের জন্য, embedding_dimension হল 50।
  2. এই স্থির-দৈর্ঘ্যের আউটপুট ভেক্টরটি 16টি লুকানো ইউনিট সহ একটি সম্পূর্ণ-সংযুক্ত ( Dense ) স্তরের মাধ্যমে পাইপ করা হয়।
  3. শেষ স্তরটি একটি একক আউটপুট নোডের সাথে ঘনভাবে সংযুক্ত।

মডেল কম্পাইল করা যাক.

ক্ষতি ফাংশন এবং অপ্টিমাইজার

একটি মডেল একটি ক্ষতি ফাংশন এবং প্রশিক্ষণের জন্য একটি অপ্টিমাইজার প্রয়োজন. যেহেতু এটি একটি বাইনারি শ্রেণিবিন্যাস সমস্যা এবং মডেলটি লগিট আউটপুট করে (একটি লিনিয়ার অ্যাক্টিভেশন সহ একটি একক-ইউনিট স্তর), আপনি binary_crossentropy loss ফাংশনটি ব্যবহার করবেন।

এটি একটি ক্ষতি ফাংশনের জন্য একমাত্র পছন্দ নয়, আপনি উদাহরণস্বরূপ, mean_squared_error বেছে নিতে পারেন। কিন্তু, সাধারনত, binary_crossentropy সম্ভাব্যতার সাথে মোকাবিলা করার জন্য ভাল-এটি সম্ভাব্যতা বন্টন বা আমাদের ক্ষেত্রে, গ্রাউন্ড-ট্রুথ ডিস্ট্রিবিউশন এবং ভবিষ্যদ্বাণীগুলির মধ্যে "দূরত্ব" পরিমাপ করে।

পরবর্তীতে, আপনি যখন রিগ্রেশন সমস্যাগুলি অন্বেষণ করছেন (বলুন, একটি বাড়ির দামের পূর্বাভাস দিতে), আপনি দেখতে পাবেন কীভাবে অন্য লস ফাংশন ব্যবহার করতে হয় যাকে গড় বর্গক্ষেত্র ত্রুটি বলা হয়।

এখন, একটি অপ্টিমাইজার এবং একটি ক্ষতি ফাংশন ব্যবহার করার জন্য মডেলটি কনফিগার করুন:

model.compile(optimizer='adam',
              loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),
              metrics=['accuracy'])

মডেলকে প্রশিক্ষণ দিন

512টি নমুনার মিনি-ব্যাচে 10টি যুগের জন্য মডেলটিকে প্রশিক্ষণ দিন। এটি x_train এবং y_train টেনসরের সমস্ত নমুনার উপর 10টি পুনরাবৃত্তি। প্রশিক্ষণের সময়, যাচাইকরণ সেট থেকে 10,000 নমুনাগুলিতে মডেলের ক্ষতি এবং নির্ভুলতা নিরীক্ষণ করুন:

history = model.fit(train_data.shuffle(10000).batch(512),
                    epochs=10,
                    validation_data=validation_data.batch(512),
                    verbose=1)

Epoch 1/10
30/30 [==============================] - 3s 59ms/step - loss: 0.6707 - accuracy: 0.5317 - val_loss: 0.6150 - val_accuracy: 0.5882
Epoch 2/10
30/30 [==============================] - 2s 57ms/step - loss: 0.5382 - accuracy: 0.7012 - val_loss: 0.4972 - val_accuracy: 0.7450
Epoch 3/10
30/30 [==============================] - 2s 56ms/step - loss: 0.3976 - accuracy: 0.8246 - val_loss: 0.4023 - val_accuracy: 0.8149
Epoch 4/10
30/30 [==============================] - 2s 61ms/step - loss: 0.2879 - accuracy: 0.8894 - val_loss: 0.3503 - val_accuracy: 0.8385
Epoch 5/10
30/30 [==============================] - 2s 59ms/step - loss: 0.2120 - accuracy: 0.9243 - val_loss: 0.3248 - val_accuracy: 0.8530
Epoch 6/10
30/30 [==============================] - 2s 54ms/step - loss: 0.1560 - accuracy: 0.9513 - val_loss: 0.3148 - val_accuracy: 0.8663
Epoch 7/10
30/30 [==============================] - 2s 55ms/step - loss: 0.1147 - accuracy: 0.9680 - val_loss: 0.3168 - val_accuracy: 0.8675
Epoch 8/10
30/30 [==============================] - 2s 56ms/step - loss: 0.0847 - accuracy: 0.9791 - val_loss: 0.3199 - val_accuracy: 0.8670
Epoch 9/10
30/30 [==============================] - 2s 54ms/step - loss: 0.0617 - accuracy: 0.9880 - val_loss: 0.3272 - val_accuracy: 0.8649
Epoch 10/10
30/30 [==============================] - 2s 57ms/step - loss: 0.0449 - accuracy: 0.9931 - val_loss: 0.3379 - val_accuracy: 0.8651

মডেল মূল্যায়ন

এবং আসুন মডেলটি কীভাবে কাজ করে তা দেখা যাক। দুটি মান ফেরত দেওয়া হবে। ক্ষতি (একটি সংখ্যা যা আমাদের ত্রুটির প্রতিনিধিত্ব করে, নিম্ন মানগুলি ভাল), এবং নির্ভুলতা।

results = model.evaluate(test_data.batch(512), verbose=2)

for name, value in zip(model.metrics_names, results):
  print("%s: %.3f" % (name, value))

49/49 - 2s - loss: 0.3599 - accuracy: 0.8523 - 2s/epoch - 34ms/step
loss: 0.360
accuracy: 0.852

এই মোটামুটি নিষ্পাপ পদ্ধতির প্রায় 87% এর নির্ভুলতা অর্জন করে। আরও উন্নত পদ্ধতির সাথে, মডেলটি 95% এর কাছাকাছি হওয়া উচিত।

আরও পড়া

# MIT License
#
# Copyright (c) 2017 François Chollet
#
# Permission is hereby granted, free of charge, to any person obtaining a
# copy of this software and associated documentation files (the "Software"),
# to deal in the Software without restriction, including without limitation
# the rights to use, copy, modify, merge, publish, distribute, sublicense,
# and/or sell copies of the Software, and to permit persons to whom the
# Software is furnished to do so, subject to the following conditions:
#
# The above copyright notice and this permission notice shall be included in
# all copies or substantial portions of the Software.
#
# THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
# IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
# FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL
# THE AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
# LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING
# FROM, OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER
# DEALINGS IN THE SOFTWARE.