TensorFlow হল Google প্রদত্ত একটি মেশিন লার্নিং ফ্রেমওয়ার্ক। এটি একটি ওপেন-সোর্স ফ্রেমওয়ার্ক যা পাইথনের সাথে সংযোগে অ্যালগরিদম, ডিপ লার্নিং অ্যাপ্লিকেশন ইত্যাদি বাস্তবায়নে ব্যবহৃত হয়। এটি গবেষণা এবং প্রোডাকশন উদ্দেশ্যে ব্যবহৃত হয়। এতে জটিল গাণিতিক অপারেশন দ্রুত সম্পাদনের জন্য অপ্টিমাইজেশন কৌশল রয়েছে।
এটি NumPy এবং মাল্টি-ডাইমেনশনাল অ্যারে ব্যবহার করার কারণে। এই মাল্টি-ডাইমেনশনাল অ্যারেগুলোকে 'টেনসর'ও বলা হয়। ফ্রেমওয়ার্কটি ডিপ নিউরাল নেটওয়ার্কের সাথে কাজ করা সাপোর্ট করে। এটি অত্যন্ত স্কেলেবল এবং অনেক জনপ্রিয় ডেটাসেট নিয়ে আসে। এটি GPU কম্পিউটেশন ব্যবহার করে এবং রিসোর্স ম্যানেজমেন্ট অটোমেট করে। এতে অসংখ্য মেশিন লার্নিং লাইব্রেরি থাকে এবং এটি ভালোভাবে ডকুমেন্টেড এবং সাপোর্টেড। ফ্রেমওয়ার্কটিতে ডিপ নিউরাল নেটওয়ার্ক মডেল চালানো, সেগুলো ট্রেন করা এবং প্রাসঙ্গিক ডেটাসেটের বৈশিষ্ট্য পূর্বাভাস করার অ্যাপ্লিকেশন তৈরি করার ক্ষমতা রয়েছে।
'tensorflow' প্যাকেজটি উইন্ডোজে নিচের কোড দিয়ে ইনস্টল করা যায়:
pip install tensorflow
টেনসর TensorFlow-এ ব্যবহৃত একটি ডেটা স্ট্রাকচার। এটি একটি ফ্লো ডায়াগ্রামে এজ সংযোগ করতে সাহায্য করে। এই ফ্লো ডায়াগ্রামকে 'Data flow graph' বলা হয়। টেনসরসমূহ আসলে মাল্টি-ডাইমেনশনাল অ্যারে বা একটি লিস্ট। এগুলো তিনটি মূল অ্যাট্রিবিউট ব্যবহার করে চিহ্নিত করা যায়:
রিগ্রেশন সমস্যার উদ্দেশ্য হল একটি কন্টিনিউয়াস বা ডিসক্রিট ভেরিয়েবলের আউটপুট পূর্বাভাস করা, যেমন দাম, সম্ভাবনা, বৃষ্টি হবে কিনা ইত্যাদি।
আমরা যে ডেটাসেট ব্যবহার করছি তা 'Auto MPG' ডেটাসেট। এতে ১৯৭০ এবং ১৯৮০ দশকের অটোমোবাইলদের ফুয়েল এফিশিয়েন্সি রয়েছে। এতে ওজন, হর্সপাওয়ার, ডিসপ্লেসমেন্ট ইত্যাদি অ্যাট্রিবিউট রয়েছে। এর সাহায্যে আমাদের নির্দিষ্ট যানবাহনların ফুয়েল এফিশিয়েন্সি পূর্বাভাস করতে হবে।
নিচের কোড চালাতে আমরা Google Colaboratory ব্যবহার করছি। Google Colab বা Colaboratory ব্রাউজারের মাধ্যমে পাইথন কোড চালাতে সাহায্য করে এবং এটি শূন্য কনফিগারেশনের সাথে ফ্রি GPU অ্যাক্সেস প্রদান করে (Graphical Processing Units)। Colaboratory Jupyter Notebook-এর উপরে তৈরি।
কোড স্নিপেট নিচে দেওয়া হল:
উদাহরণ
hrspwr = np.array(train_features['Horsepower'])
print("The data is being normalized")
hrspwr_normalizer = preprocessing.Normalization(input_shape=[1,])
hrspwr_normalizer.adapt(hrspwr)
hrspwr_model = tf.keras.Sequential([
hrspwr_normalizer,
layers.Dense(units=1)
])
print("The statistical data sample ")
hrspwr_model.summary()
print("The predicted output ")
hrspwr_model.predict(hrspwr[:7])
print("The model is being compiled : ")
hrspwr_model.compile(
optimizer=tf.optimizers.Adam(learning_rate=0.1),
loss='mean_absolute_error')
কোড ক্রেডিট - https://www.tensorflow.org/tutorials/keras/regression
আউটপুট
ব্যাখ্যা
'Horsepower'- থেকে 'MPG' মান পূর্বাভাস করতে হবে।
একটি Keras মডেল মডেলের আর্কিটেকচার সংজ্ঞায়িত করে ট্রেন করা হয়।
এখানে সংজ্ঞায়িত মডেলটি একটি 'sequential' মডেল। এটি ধাপের একটি ক্রম নির্দেশ করে।
প্রথমে 'horsepower' ইনপুট নরমালাইজ করা হয়।
লিনিয়ার ট্রান্সফর্মেশন (y = mx + b) প্রয়োগ করা হয় যা dense layer 'layers.Dense'-এর সাহায্যে আউটপুট উৎপন্ন করবে।
'horsepower' নরমালাইজেশন লেয়ার তৈরি করা হয়।
