পাইথন ব্যবহার করে ডেটা ভিজ্যুয়ালাইজ করার জন্য টেনসরফ্লো এবং প্রাক-প্রশিক্ষিত মডেল কীভাবে ব্যবহার করা যেতে পারে?

টেনসরফ্লো এবং প্রাক-প্রশিক্ষিত মডেলটি 'matplotlib' লাইব্রেরি ব্যবহার করে ডেটা কল্পনা করতে ব্যবহার করা যেতে পারে। কনসোলে ডেটা প্লট করার জন্য 'প্লট' পদ্ধতি ব্যবহার করা হয়।

আরো 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। আমরা শেখার মডেল তৈরি করতে কনভোলিউশনাল নিউরাল নেটওয়ার্ক ব্যবহার করতে পারি।

আমরা বুঝতে পারব কিভাবে একটি প্রাক-প্রশিক্ষিত নেটওয়ার্ক থেকে শিক্ষা স্থানান্তরের সাহায্যে বিড়াল এবং কুকুরের ছবি শ্রেণীবদ্ধ করা যায়। ইমেজ শ্রেণীবিভাগের জন্য স্থানান্তর শেখার পিছনে অন্তর্দৃষ্টি হল, যদি একটি মডেলকে একটি বড় এবং সাধারণ ডেটাসেটে প্রশিক্ষণ দেওয়া হয়, তাহলে এই মডেলটি কার্যকরভাবে ভিজ্যুয়াল জগতের জন্য একটি জেনেরিক মডেল হিসাবে কাজ 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

আরো পড়ুন: কিভাবে একটি কাস্টমাইজড মডেল প্রাক-প্রশিক্ষিত হতে 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("Visualizing the data")
plt.figure(figsize=(8, 8))
plt.subplot(2, 1, 1)
plt.plot(acc, label='Training Accuracy')
plt.plot(val_acc, label='Validation Accuracy')
plt.ylim([0.8, 1])
plt.plot([initial_epochs-1,initial_epochs-1], plt.ylim(), label='Start Fine Tuning')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')
plt.subplot(2, 1, 2)
plt.plot(loss, label='Training Loss')
plt.plot(val_loss, label='Validation Loss')
plt.ylim([0, 1.0])
plt.plot([initial_epochs-1,initial_epochs-1], plt.ylim(), label='Start Fine Tuning')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.xlabel('epoch')
plt.show()

কোড ক্রেডিট −https://www.tensorflow.org/tutorials/images/transfer_learning

আউটপুট

ব্যাখ্যা

• প্রশিক্ষণের শেখার বক্ররেখা এবং বৈধতা নির্ভুলতা/ক্ষতি কল্পনা করা হয়।

• একবার ফাইন-টিউনিং সঞ্চালিত হলে এটি করা হয়।

• বৈধতা ক্ষতি প্রশিক্ষণের ক্ষতির চেয়ে বেশি, যার মানে কিছু অতিরিক্ত ফিটিং হবে।

• এই ওভারফিটিং এর কারণও হতে পারে যে প্রশিক্ষণ ডেটাসেট তুলনামূলকভাবে ছোট এবং আসল MobileNet V2 ডেটাসেটের মতো।

• একবার সূক্ষ্ম টিউনিং হয়ে গেলে, মডেলটি যাচাইকরণ সেটে 98% নির্ভুলতায় পৌঁছে।