টেনসরফ্লো হল একটি মেশিন লার্নিং ফ্রেমওয়ার্ক যা Google প্রদান করে। এটি একটি ওপেন-সোর্স ফ্রেমওয়ার্ক যা পাইথনের সাথে অ্যালগরিদম, গভীর শিক্ষার অ্যাপ্লিকেশন এবং আরও অনেক কিছু বাস্তবায়নের জন্য ব্যবহৃত হয়। এটি গবেষণা এবং উত্পাদন উদ্দেশ্যে ব্যবহৃত হয়। এটিতে অপ্টিমাইজেশান কৌশল রয়েছে যা জটিল গাণিতিক ক্রিয়াকলাপগুলি দ্রুত সম্পাদন করতে সহায়তা করে৷
কারণ এটি NumPy এবং বহুমাত্রিক অ্যারে ব্যবহার করে। এই বহুমাত্রিক অ্যারেগুলি 'টেনসর' নামেও পরিচিত। ফ্রেমওয়ার্ক গভীর নিউরাল নেটওয়ার্কের সাথে কাজ করতে সহায়তা করে। এটি অত্যন্ত মাপযোগ্য, এবং অনেক জনপ্রিয় ডেটাসেটের সাথে আসে। এটি GPU গণনা ব্যবহার করে এবং সংস্থানগুলির পরিচালনাকে স্বয়ংক্রিয় করে। এটি অনেকগুলি মেশিন লার্নিং লাইব্রেরির সাথে আসে এবং এটি ভালভাবে সমর্থিত এবং নথিভুক্ত। ফ্রেমওয়ার্কের ডিপ নিউরাল নেটওয়ার্ক মডেল চালানো, তাদের প্রশিক্ষণ এবং সংশ্লিষ্ট ডেটাসেটের প্রাসঙ্গিক বৈশিষ্ট্যের পূর্বাভাস দেয় এমন অ্যাপ্লিকেশন তৈরি করার ক্ষমতা রয়েছে।
'টেনসরফ্লো' প্যাকেজটি নীচের কোড-
লাইনটি ব্যবহার করে উইন্ডোজে ইনস্টল করা যেতে পারেpip install tensorflow
টেনসর হল টেনসরফ্লোতে ব্যবহৃত একটি ডেটা স্ট্রাকচার। এটি একটি প্রবাহ চিত্রে প্রান্তগুলিকে সংযুক্ত করতে সহায়তা করে। এই ফ্লো ডায়াগ্রামটি 'ডেটা ফ্লো গ্রাফ' নামে পরিচিত। টেনসর বহুমাত্রিক অ্যারে বা একটি তালিকা ছাড়া কিছুই নয়। তিনটি প্রধান বৈশিষ্ট্য −
ব্যবহার করে তাদের চিহ্নিত করা যায়রিগ্রেশন সমস্যার পিছনে লক্ষ্য হল একটি ক্রমাগত বা বিচ্ছিন্ন ভেরিয়েবলের আউটপুট, যেমন একটি মূল্য, সম্ভাবনা, বৃষ্টি হবে কি হবে না ইত্যাদি।
আমরা যে ডেটাসেট ব্যবহার করি তাকে বলা হয় 'অটো MPG' ডেটাসেট। এটিতে 1970 এবং 1980 এর অটোমোবাইলের জ্বালানী দক্ষতা রয়েছে। এতে ওজন, হর্সপাওয়ার, স্থানচ্যুতি এবং আরও অনেক কিছু রয়েছে। এর সাথে, আমাদের নির্দিষ্ট যানবাহনের জ্বালানী দক্ষতার পূর্বাভাস দিতে হবে।
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।
নিচের কোড স্নিপেট −
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
-
'হর্সপাওয়ার' থেকে 'MPG' মান ভবিষ্যদ্বাণী করা প্রয়োজন।
-
কেরাস মডেলকে প্রশিক্ষিত করা হয় মডেলের আর্কিটেকচার সংজ্ঞায়িত করে।
-
এখানে সংজ্ঞায়িত মডেল একটি 'ক্রমিক' মডেল। এটি ধাপগুলির একটি ক্রম নির্দেশ করে৷
৷ -
প্রথমত, 'হর্সপাওয়ার' ইনপুট স্বাভাবিক করা হয়।
-
রৈখিক রূপান্তর (y=mx + b) প্রয়োগ করা হয় যা ঘন স্তর 'layers.Dense' এর সাহায্যে একটি আউটপুট তৈরি করবে।
-
'হর্সপাওয়ার' স্বাভাবিকীকরণ স্তর তৈরি করা হয়েছে৷
৷
