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 উৎপাদন উদ্দেশ্যে ব্যবহৃত হয়।
'টেনসরফ্লো' প্যাকেজটি নীচের কোডের লাইন ব্যবহার করে উইন্ডোজে ইনস্টল করা যেতে পারে
পিপ ইনস্টল টেনসরফ্লো
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 নয়৷
‘ফ্যাশন MNIST’ ডেটাসেটে বিভিন্ন ধরনের পোশাকের ছবি রয়েছে। এতে 70 হাজারেরও বেশি জামাকাপড়ের গ্রেস্কেল চিত্র রয়েছে যা 10টি বিভিন্ন বিভাগের অন্তর্গত। এই ছবিগুলি কম রেজোলিউশনের (28 x 28 পিক্সেল)।
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। নিম্নলিখিত কোড -
উদাহরণ
মুদ্রণ("মডেলটি ডেটার সাথে মানানসই")model.fit(train_images, train_labels, epochs=15)print("নির্ভুলতা গণনা করা হচ্ছে")test_loss, test_acc =model.evaluate(test_images, test_labels, verbose) =2)প্রিন্ট('\nপরীক্ষার যথার্থতা হল :', test_acc) কোড ক্রেডিট − https://www.tensorflow.org/tutorials/keras/classification
আউটপুট
মডেলটি dataEpoch 1/151875/1875 এর সাথে মানানসই [==============================] - 4s 2ms /পদক্ষেপ - ক্ষতি:0.6337 - নির্ভুলতা:0.7799 যুগ 2/151875/1875 [==============================] - 3s 2ms/পদক্ষেপ - ক্ষতি:0.3806 - নির্ভুলতা:0.8622Epoch 3/151875/1875 [==============================] - 3s 2ms/পদক্ষেপ - ক্ষতি:0.3469 - নির্ভুলতা:0.8738Epoch 4/151875/1875 [==============================] - 3s 2ms/পদক্ষেপ - ক্ষতি:0.3131 - নির্ভুলতা:0.8853Epoch 5/151875/1875 [=============================] - 3s 2ms/পদক্ষেপ - ক্ষতি:0.2962 - নির্ভুলতা:0.8918Epoch 6/151875/1875 [==============================] - 3s 2ms/পদক্ষেপ - ক্ষতি:0.2875 - নির্ভুলতা:0.8935Epoch 7/151875/1875 [==============================] - 3s 2ms/পদক্ষেপ - ক্ষতি:0.2705 - নির্ভুলতা:0.8998Epoch 8/151875/1875 [==============================] - 3s 2ms/পদক্ষেপ - ক্ষতি:0.2569 - নির্ভুলতা:0.9023Epoch 9/151875/1875 [==============================] - 3s 2ms/পদক্ষেপ - ক্ষতি:0.2465 - নির্ভুলতা:0.9060Epoch 10/151875/1875 [==============================] - 3s 2ms/ধাপ - ক্ষতি:0.2440 - নির্ভুলতা:0.9088Epoch 11/151875/1875 [==============================] - 3s 2ms/ ধাপ - ক্ষতি:0.2300 - নির্ভুলতা:0.9143Epoch 12/151875/1875 [==============================] - 3s 2ms /পদক্ষেপ - ক্ষতি:0.2255 - নির্ভুলতা:0.9152Epoch 13/151875/1875 [==============================] - 3s 2ms/পদক্ষেপ - ক্ষতি:0.2114 - নির্ভুলতা:0.9203Epoch 14/151875/1875 [==============================] - 3s 2ms/পদক্ষেপ - ক্ষতি:0.2101 - নির্ভুলতা:0.9211Epoch 15/151875/1875 [==============================] - 3s 2ms/পদক্ষেপ - ক্ষতি:0.2057 - নির্ভুলতা:0.9224 নির্ভুলতা গণনা করা হচ্ছে313/313 - 0s - ক্ষতি:0.3528 - নির্ভুলতা:0.8806 পরীক্ষার নির্ভুলতা হল :0.880599975>ব্যাখ্যা
-
মডেলটিকে প্রথমে প্রশিক্ষণের ডেটা খাওয়ানো এবং একটি মডেল তৈরি করে প্রশিক্ষণ দেওয়া হয়। 'ট্রেন_ইমেজ' এবং 'ট্রেন_লেবেল' হল ইনপুট ডেটার অ্যারে।
-
মডেলটি নিজ নিজ লেবেল দিয়ে ছবি ম্যাপ করতে শিখে।
-
'test_images' পরীক্ষার তথ্য সংরক্ষণ করে।
-
একবার পরীক্ষার ডেটাসেট ব্যবহার করা হলে, করা ভবিষ্যদ্বাণীগুলি পরীক্ষার ডেটাসেটে ডেটার প্রকৃত লেবেলের সাথে মিলে যায়৷
-
'model.fit' পদ্ধতিটিকে বলা হয় যাতে এটি প্রশিক্ষণ ডেটাসেটে মোয়েলকে ফিট করতে পারে৷
-
'model.evaluate' ফাংশন প্রশিক্ষণের সাথে সম্পর্কিত সঠিকতা এবং ক্ষতি দেয়।
