ফুলের ডেটাসেটে মডেলের প্রশিক্ষণ চালিয়ে যেতে, 'ফিট' পদ্ধতি ব্যবহার করা হয়। এই পদ্ধতিতে, যুগের সংখ্যা (মডেলটি তৈরি করার জন্য ডেটা প্রশিক্ষিত হওয়ার সংখ্যা)ও নির্দিষ্ট করা হয়েছে। কিছু নমুনা ছবিও কনসোলে প্রদর্শিত হয়।
আরও পড়ুন:টেনসরফ্লো কী এবং নিউরাল নেটওয়ার্ক তৈরি করতে টেনসরফ্লো-এর সাথে কেরাস কীভাবে কাজ করে?
আমরা ফুলের ডেটাসেট ব্যবহার করব, যেটিতে কয়েক হাজার ফুলের ছবি রয়েছে। এটিতে 5টি সাব-ডিরেক্টরি রয়েছে এবং প্রতিটি ক্লাসের জন্য একটি সাব-ডিরেক্টরি রয়েছে।
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।
প্রিন্ট("ডেটা মডেলের সাথে মানানসই")model.fit( train_ds, validation_data=val_ds, epochs=3) কোড ক্রেডিট:https://www.tensorflow.org/tutorials/load_data/images
আউটপুট
ডেটা মডেল ইপোচ 1/392/92 এর সাথে মানানসই [==============================] - 102s 1s /পদক্ষেপ - ক্ষতি:0.7615 - নির্ভুলতা:0.7146 - val_loss:0.7673 - val_accuracy:0.7180Epoch 2/392/92 [===========================] - 95s 1s/পদক্ষেপ - ক্ষতি:0.5864 - নির্ভুলতা:0.7786 - val_loss:0.6814 - val_accuracy:0.7629Epoch 3/392/92 [=============================] - 95s 1s/পদক্ষেপ - ক্ষতি:0.4180 - নির্ভুলতা:0.8478 - val_loss:0.7040 - val_accuracy:0.7575
ব্যাখ্যা
- এর অনুরূপ একটি ডেটাসেট (যা keras.preprocessing ব্যবহার করে তৈরি করা হয়েছিল) tf.data.Dataset ব্যবহার করে তৈরি করা হয়েছে।
- মডেলটি প্রশিক্ষিত হতে পারে।
- কয়েকটি যুগকে প্রশিক্ষিত করা হয় যাতে এটি খুব বেশি সময় ব্যয় না করে।
