টেনসরফ্লোকে প্রথমে ক্লাসের নামগুলিকে Numpy অ্যারেতে রূপান্তর করে এবং তারপরে 'Rescaling' পদ্ধতি ব্যবহার করে একটি স্বাভাবিককরণ স্তর তৈরি করে স্বাভাবিককরণ স্তর তৈরি করতে ব্যবহার করা যেতে পারে, যা tf.keras.layers.experimental.preprocessing প্যাকেজে উপস্থিত রয়েছে৷
আরও পড়ুন:টেনসরফ্লো কী এবং নিউরাল নেটওয়ার্ক তৈরি করতে টেনসরফ্লো-এর সাথে কেরাস কীভাবে কাজ করে?
একটি নিউরাল নেটওয়ার্ক যা অন্তত একটি স্তর ধারণ করে একটি কনভোলিউশনাল স্তর হিসাবে পরিচিত। শেখার মডেল তৈরি করতে আমরা কনভোলিউশনাল নিউরাল নেটওয়ার্ক ব্যবহার করতে পারি।
ইমেজ শ্রেণীবিভাগের জন্য স্থানান্তর শেখার পিছনে অন্তর্দৃষ্টি হল, যদি একটি মডেলকে একটি বড় এবং সাধারণ ডেটাসেটে প্রশিক্ষণ দেওয়া হয়, তাহলে এই মডেলটিকে কার্যকরভাবে ভিজ্যুয়াল জগতের জন্য একটি জেনেরিক মডেল হিসাবে পরিবেশন করতে ব্যবহার করা যেতে পারে। এটি বৈশিষ্ট্য মানচিত্রগুলি শিখেছে, যার অর্থ ব্যবহারকারীকে একটি বড় ডেটাসেটে একটি বড় মডেলের প্রশিক্ষণ দিয়ে স্ক্র্যাচ থেকে শুরু করতে হবে না৷
টেনসরফ্লো হাব হল একটি ভান্ডার যাতে রয়েছে প্রাক-প্রশিক্ষিত টেনসরফ্লো মডেল। টেনসরফ্লো শেখার মডেলগুলিকে সূক্ষ্ম-টিউন করতে ব্যবহার করা যেতে পারে৷
৷Tf.keras সহ TensorFlow Hub থেকে মডেলগুলি কীভাবে ব্যবহার করবেন তা আমরা বুঝব, TensorFlow Hub থেকে একটি চিত্র শ্রেণিবিন্যাস মডেল ব্যবহার করুন। এটি হয়ে গেলে, কাস্টমাইজড ইমেজ ক্লাসের জন্য একটি মডেলকে ফাইন-টিউন করার জন্য ট্রান্সফার লার্নিং করা যেতে পারে। এটি একটি ইমেজ নিতে এবং এটি কি তা ভবিষ্যদ্বাণী করার জন্য একটি পূর্বপ্রশিক্ষিত ক্লাসিফায়ার মডেল ব্যবহার করে করা হয়। এটি কোনো প্রশিক্ষণের প্রয়োজন ছাড়াই করা যেতে পারে।
নিচের কোডটি চালানোর জন্য আমরা Google Colaboratory ব্যবহার করছি। Google Colab বা Colaboratory ব্রাউজারে Python কোড চালাতে সাহায্য করে এবং এর জন্য শূন্য কনফিগারেশন এবং GPUs (গ্রাফিক্যাল প্রসেসিং ইউনিট) তে বিনামূল্যে অ্যাক্সেস প্রয়োজন। জুপিটার নোটবুকের উপরে কোলাবোরেটরি তৈরি করা হয়েছে।
উদাহরণ
print("It contains 5 classes")
class_names = np.array(train_ds.class_names)
print(class_names)
print("A normalization layer is built")
normalization_layer = tf.keras.layers.experimental.preprocessing.Rescaling(1./255)
train_ds = train_ds.map(lambda x, y: (normalization_layer(x), y)) কোড ক্রেডিট −https://www.tensorflow.org/tutorials/images/transfer_learning_with_hub
আউটপুট
It contains 5 classes ['daisy' 'dandelion' 'roses' 'sunflowers' 'tulips'] A normalization layer is built
ব্যাখ্যা
-
মডেল ইমেজ করার জন্য TFHub এর নিয়মগুলির জন্য [0, 1] পরিসরে ফ্লোট ইনপুট প্রয়োজন।
-
রিস্কেলিং লেয়ার একই অর্জন করতে ব্যবহার করা যেতে পারে।
-
বাফার করা প্রিফেচিং ব্যবহার করা যেতে পারে যাতে I/O ব্লকিং ছাড়াই ডিস্ক থেকে ডেটা নেওয়া যায়৷
