Tensorflow 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 অপ্টিমাইজেশন কৌশল রয়েছে যা জটিল গাণিতিক ক্রিয়াকলাপগুলি দ্রুত সম্পাদন করতে সহায়তা করে। 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 জিপিইউ গণনা ব্যবহার করে এবং সংস্থানগুলির পরিচালনাকে স্বয়ংক্রিয় করে। এটি প্রচুর মেশিন লার্নিং লাইব্রেরির সাথে আসে এবং এটি ভাল-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 নয়৷
নিম্নলিখিত একটি উদাহরণ -
উদাহরণ
def linear_reg(x): return A * x + b def mean_square_error(y_pred, y_true): return tf.reduce_mean(tf.square(y_pred - y_true)) optimizer = tf.optimizers.SGD(learning_rate) def run_optimization(): with tf.GradientTape() as g: pred = linear_reg(X) loss = mean_square_error(pred, Y) gradients = g.gradient(loss, [A, b]) optimizer.apply_gradients(zip(gradients, [A, b]))
কোড ক্রেডিট − https://github.com/aymericdamien/TensorFlow-Examples/blob/master/tensorflow_v2/notebooks/2_BasicModels/linear_regression.ipynb
আউটপুট
A linear regression function that is defined, is called on the data. Once the optimal data points have been computed, the mean square error function is calculated. The radient descent function is used to find the optimal weights. These values are displayed on the console.
ব্যাখ্যা
-
'ওজন' এবং 'পক্ষপাত' মানগুলি এলোমেলোভাবে আরম্ভ করা হয়। প্রশিক্ষণ শেষ হলে সেগুলি সর্বোত্তম মানগুলিতে আপডেট করা হবে৷
-
একটি রৈখিক সমীকরণের সাধারণ বিন্যাস হল 'Ax + b' যেখানে 'A' হল 'ওজন' এবং 'b' হল 'বায়াস' মান।
-
গড় বর্গক্ষেত্র ত্রুটি গণনা করার ফাংশন সংজ্ঞায়িত করা হয়েছে।
-
স্টোকাস্টিক গ্রেডিয়েন্ট ডিসেন্ট অপ্টিমাইজারও সংজ্ঞায়িত করা হয়েছে।
-
অপ্টিমাইজেশনের জন্য একটি ফাংশন সংজ্ঞায়িত করা হয়, যা গ্রেডিয়েন্ট গণনা করে এবং ওজন এবং পক্ষপাতের মান আপডেট করে।
-
ডেটা একটি নির্দিষ্ট সংখ্যক ধাপের জন্য প্রশিক্ষিত।
