 TensorFlow.org এ দেখুন |  Google Colab-এ চালান |  GitHub-এ উৎস দেখুন |  নোটবুক ডাউনলোড করুন |
এই সংক্ষিপ্ত ভূমিকা কেরাস ব্যবহার করে:
- একটি পূর্বনির্মাণ ডেটাসেট লোড করুন।
- একটি নিউরাল নেটওয়ার্ক মেশিন লার্নিং মডেল তৈরি করুন যা চিত্রগুলিকে শ্রেণীবদ্ধ করে।
- এই নিউরাল নেটওয়ার্ককে প্রশিক্ষণ দিন।
- মডেলের নির্ভুলতা মূল্যায়ন করুন।
এই টিউটোরিয়ালটি একটি Google Colaboratory নোটবুক। পাইথন প্রোগ্রামগুলি সরাসরি ব্রাউজারে চালানো হয় - টেনসরফ্লো শেখার এবং ব্যবহার করার একটি দুর্দান্ত উপায়। এই টিউটোরিয়ালটি অনুসরণ করতে, এই পৃষ্ঠার উপরের বোতামে ক্লিক করে Google Colab-এ নোটবুকটি চালান।
- Colab-এ, Python রানটাইমের সাথে কানেক্ট করুন: মেনু বারের উপরে ডানদিকে, CONNECT নির্বাচন করুন।
- সমস্ত নোটবুক কোড সেল চালান: রানটাইম > সমস্ত চালান নির্বাচন করুন।
TensorFlow সেট আপ করুন
শুরু করতে আপনার প্রোগ্রামে TensorFlow আমদানি করুন:
import tensorflow as tf
print("TensorFlow version:", tf.__version__)
TensorFlow version: 2.8.0-rc1
আপনি Colab- এর পরিবর্তে আপনার নিজের ডেভেলপমেন্ট এনভায়রনমেন্ট অনুসরণ করলে, ডেভেলপমেন্টের জন্য TensorFlow সেট-আপ করার জন্য ইনস্টল গাইড দেখুন।
একটি ডেটাসেট লোড করুন
MNIST ডেটাসেট লোড করুন এবং প্রস্তুত করুন। নমুনা ডেটাকে পূর্ণসংখ্যা থেকে ফ্লোটিং-পয়েন্ট সংখ্যায় রূপান্তর করুন:
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
একটি মেশিন লার্নিং মডেল তৈরি করুন
স্তরগুলি স্ট্যাক করে একটি tf.keras.Sequential মডেল তৈরি করুন।
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10)
])
প্রতিটি উদাহরণের জন্য, মডেলটি লজিট বা লগ- অডস স্কোরের একটি ভেক্টর প্রদান করে, প্রতিটি শ্রেণীর জন্য একটি।
predictions = model(x_train[:1]).numpy()
predictions
array([[ 0.2760778 , -0.39324787, -0.17098302, 1.2016621 , -0.03416392,
0.5461229 , -0.7203061 , -0.41886678, -0.59480035, -0.7580608 ]],
dtype=float32)
tf.nn.softmax ফাংশন প্রতিটি শ্রেণীর জন্য এই লগিটগুলিকে সম্ভাব্যতায় রূপান্তর করে:
tf.nn.softmax(predictions).numpy()
array([[0.11960829, 0.06124588, 0.0764901 , 0.30181262, 0.08770514,
0.15668967, 0.04416083, 0.05969675, 0.05006609, 0.04252464]],
dtype=float32)
losses.SparseCategoricalCrossentropy ব্যবহার করে প্রশিক্ষণের জন্য একটি ক্ষতির ফাংশন সংজ্ঞায়িত করুন, যা লজিটের একটি ভেক্টর এবং একটি True সূচক নেয় এবং প্রতিটি উদাহরণের জন্য একটি স্কেলার ক্ষতি প্রদান করে।
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
এই ক্ষতি সত্য শ্রেণীর নেতিবাচক লগ সম্ভাবনার সমান: যদি মডেলটি সঠিক শ্রেণীর সম্পর্কে নিশ্চিত হয় তবে ক্ষতি শূন্য হয়।
এই অপ্রশিক্ষিত মডেলটি র্যান্ডম (প্রতিটি শ্রেণীর জন্য 1/10) এর কাছাকাছি সম্ভাব্যতা দেয়, তাই প্রাথমিক ক্ষতি -tf.math.log(1/10) ~= 2.3 কাছাকাছি হওয়া উচিত।
loss_fn(y_train[:1], predictions).numpy()
1.8534881
আপনি প্রশিক্ষণ শুরু করার আগে, Model.compile ব্যবহার করে মডেলটি কনফিগার এবং কম্পাইল করুন। optimizer ক্লাসটি adam সেট করুন, loss আপনার পূর্বে সংজ্ঞায়িত করা loss_fn ফাংশনে সেট করুন এবং metrics প্যারামিটারটিকে accuracy সেট করে মডেলের জন্য মূল্যায়ন করার জন্য একটি মেট্রিক নির্দিষ্ট করুন।
model.compile(optimizer='adam',
loss=loss_fn,
metrics=['accuracy'])
প্রশিক্ষণ এবং আপনার মডেল মূল্যায়ন
আপনার মডেল প্যারামিটারগুলি সামঞ্জস্য করতে এবং ক্ষতি কমাতে Model.fit পদ্ধতিটি ব্যবহার করুন:
model.fit(x_train, y_train, epochs=5)
Epoch 1/5 1875/1875 [==============================] - 4s 2ms/step - loss: 0.2950 - accuracy: 0.9143 Epoch 2/5 1875/1875 [==============================] - 3s 2ms/step - loss: 0.1451 - accuracy: 0.9567 Epoch 3/5 1875/1875 [==============================] - 4s 2ms/step - loss: 0.1080 - accuracy: 0.9668 Epoch 4/5 1875/1875 [==============================] - 4s 2ms/step - loss: 0.0906 - accuracy: 0.9717 Epoch 5/5 1875/1875 [==============================] - 4s 2ms/step - loss: 0.0749 - accuracy: 0.9761 <keras.callbacks.History at 0x7f062c606850>
Model.evaluate পদ্ধতি মডেলের কর্মক্ষমতা পরীক্ষা করে, সাধারণত একটি " Validation-set " বা " Test-set " এ।
model.evaluate(x_test, y_test, verbose=2)
313/313 - 1s - loss: 0.0783 - accuracy: 0.9755 - 588ms/epoch - 2ms/step [0.07825208455324173, 0.9754999876022339]
ইমেজ ক্লাসিফায়ার এখন এই ডেটাসেটে ~98% নির্ভুলতার জন্য প্রশিক্ষিত। আরও জানতে, TensorFlow টিউটোরিয়াল পড়ুন।
আপনি যদি চান যে আপনার মডেলটি একটি সম্ভাব্যতা ফিরিয়ে আনুক, আপনি প্রশিক্ষিত মডেলটি মোড়ানো করতে পারেন এবং এতে সফটম্যাক্স সংযুক্ত করতে পারেন:
probability_model = tf.keras.Sequential([
model,
tf.keras.layers.Softmax()
])
probability_model(x_test[:5])
<tf.Tensor: shape=(5, 10), dtype=float32, numpy=
array([[2.72807270e-08, 2.42517650e-08, 7.75602894e-06, 1.28684027e-04,
7.66215633e-11, 3.54162950e-07, 3.04894151e-14, 9.99857187e-01,
2.32766553e-08, 5.97762892e-06],
[7.37396704e-08, 4.73638036e-04, 9.99523997e-01, 7.20633352e-07,
4.54133671e-17, 1.42298268e-06, 5.96959016e-09, 1.23534145e-13,
7.77225608e-08, 6.98619169e-16],
[1.95462448e-07, 9.99295831e-01, 1.02249986e-04, 1.86699708e-05,
5.65737491e-06, 1.12115902e-06, 5.32719559e-06, 5.22767776e-04,
4.79981136e-05, 1.76624681e-07],
[9.99649286e-01, 1.80224735e-09, 3.73612856e-05, 1.52324446e-07,
1.30824594e-06, 2.82781020e-05, 6.99703523e-05, 3.30940424e-07,
2.13184350e-07, 2.13106396e-04],
[1.53770895e-06, 1.72272063e-08, 1.98980865e-06, 3.97882580e-08,
9.97192323e-01, 1.10544443e-05, 1.54713348e-06, 2.81727880e-05,
3.48721733e-06, 2.75991508e-03]], dtype=float32)>
উপসংহার
অভিনন্দন! আপনি কেরাস এপিআই ব্যবহার করে একটি প্রি-বিল্ট ডেটাসেট ব্যবহার করে একটি মেশিন লার্নিং মডেলকে প্রশিক্ষণ দিয়েছেন।
কেরাস ব্যবহারের আরও উদাহরণের জন্য, টিউটোরিয়ালগুলি দেখুন । কেরাসের সাথে মডেল তৈরি করার বিষয়ে আরও জানতে, গাইডগুলি পড়ুন। আপনি যদি ডেটা লোড করা এবং প্রস্তুত করার বিষয়ে আরও জানতে চান, তাহলে ইমেজ ডেটা লোডিং বা CSV ডেটা লোডিং -এর টিউটোরিয়ালগুলি দেখুন৷