'প্রিপ্রসেসিং' মডিউলে উপস্থিত 'সাধারণকরণ' পদ্ধতি ব্যবহার করে একটি স্বাভাবিককরণ স্তর তৈরি করা যেতে পারে। এই স্তরটি অ্যাবালোন ডেটাসেটের বৈশিষ্ট্যগুলির সাথে খাপ খাইয়ে নেওয়ার জন্য তৈরি করা হয়েছে। এটি ছাড়াও, মডেলের প্রশিক্ষণ ক্ষমতা উন্নত করতে একটি ঘন স্তর যুক্ত করা হয়। এই স্তরটি প্রতিটি কলামের সাথে যুক্ত গড় এবং পার্থক্য প্রাক-গণনা করতে সাহায্য করবে। এই গড় এবং প্রকরণ মানগুলি ডেটা স্বাভাবিক করার জন্য ব্যবহার করা হবে৷
৷আরো পড়ুন: টেনসরফ্লো কী এবং নিউরাল নেটওয়ার্ক তৈরি করতে টেনসরফ্লো-এর সাথে কেরাস কীভাবে কাজ করে?
আমরা অ্যাবালোন ডেটাসেট ব্যবহার করব, যাতে অ্যাবালোনের পরিমাপের একটি সেট রয়েছে। অ্যাবালোন এক ধরনের সামুদ্রিক শামুক। লক্ষ্য হল অন্যান্য পরিমাপের উপর ভিত্তি করে বয়সের ভবিষ্যদ্বাণী করা।
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।
print("A normalization layer is being built")
normalize = preprocessing.Normalization()
normalize.adapt(abalone_features)
print("A dense layer is being added")
norm_abalone_model = tf.keras.Sequential([
normalize,
layers.Dense(64),
layers.Dense(1)
]) কোড ক্রেডিট:https://www.tensorflow.org/tutorials/load_data/csv
আউটপুট
A normalization layer is being built A dense layer is being added
ব্যাখ্যা
- মডেলের ইনপুটগুলি স্বাভাবিক করা হয়েছে৷ ৷
- 'experimental.preprocessing' স্তর যোগ করে এই স্বাভাবিকীকরণকে অন্তর্ভুক্ত করা যেতে পারে।
- এই স্তরটি প্রতিটি কলামের সাথে যুক্ত গড় এবং পার্থক্য প্রাক-গণনা করতে সাহায্য করবে।
- এই গড় এবং পরিবর্তনের মানগুলি ডেটা স্বাভাবিক করার জন্য ব্যবহার করা হয়৷ ৷
- প্রথমত, 'Normalization.adapt' পদ্ধতি ব্যবহার করে স্বাভাবিকীকরণ স্তর তৈরি করা হয়।
- প্রি-প্রসেসিং লেয়ারের জন্য 'অ্যাডাপ্ট' পদ্ধতিতে শুধুমাত্র প্রশিক্ষণের ডেটা ব্যবহার করা উচিত।
- এই নর্মালাইজেশন লেয়ারটি মডেল তৈরি করতে ব্যবহৃত হয়।
