পাইথন ব্যবহার করে লিনিয়ার মডেল এবং কনভোলিউশনাল মডেলের তুলনা করার জন্য কীভাবে টেনসরফ্লো ব্যবহার করা যেতে পারে?

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 উৎপাদন উদ্দেশ্যে ব্যবহৃত হয়।

'টেনসরফ্লো' প্যাকেজটি নীচের কোড-

লাইনটি 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। টেনসরগুলি একটি বহুমাত্রিক অ্যারে বা একটি তালিকা ছাড়া কিছুই নয়৷

তিনটি প্রধান বৈশিষ্ট্য −

ব্যবহার করে তাদের চিহ্নিত করা যায়

র্যাঙ্ক - এটি টেনসরের মাত্রিকতা সম্পর্কে বলে। এটি টেনসরের ক্রম বা টেনসরের মাত্রার সংখ্যা হিসাবে বোঝা যায় যা সংজ্ঞায়িত করা হয়েছে।
টাইপ করুন - এটি টেনসরের উপাদানগুলির সাথে যুক্ত ডেটা টাইপ সম্পর্কে বলে। এটি এক মাত্রিক, দ্বিমাত্রিক বা এন-ডাইমেনশনাল টেনসর হতে পারে।
আকৃতি − এটি সারি এবং কলামের একসাথে সংখ্যা।

ONEIROS (ওপেন এন্ডেড নিউরো-ইলেক্ট্রনিক ইন্টেলিজেন্ট রোবট অপারেটিং সিস্টেম) প্রকল্পের গবেষণার অংশ হিসেবে কেরাস তৈরি করা হয়েছিল। কেরাস একটি গভীর শিক্ষার API, যা পাইথনে লেখা। এটি একটি উচ্চ-স্তরের API যার একটি উত্পাদনশীল ইন্টারফেস রয়েছে যা মেশিন লার্নিং সমস্যা সমাধানে সহায়তা করে। এটি টেনসরফ্লো ফ্রেমওয়ার্কের উপরে চলে। এটি একটি দ্রুত পদ্ধতিতে পরীক্ষা সাহায্য করার জন্য নির্মিত হয়েছিল. এটি প্রয়োজনীয় বিমূর্ততা এবং বিল্ডিং ব্লকগুলি প্রদান করে যা মেশিন লার্নিং সমাধানগুলি বিকাশ এবং এনক্যাপসুলেট করার জন্য অপরিহার্য৷

আমরা নিচের কোডটি চালানোর জন্য 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।

উদাহরণ

নিম্নলিখিত হল কোড স্নিপেট:প্রিন্ট("দুটি মডেলের তুলনা করা হয়েছে")প্রিন্ট("বাইনারী ভেক্টরাইজড ডেটার লিনিয়ার মডেল:")প্রিন্ট(বাইনারী_মডেল.সামরি())প্রিন্ট("Int ভেক্টরাইজড ডেটাতে কনভনেট মডেল:" )print(int_model.summary())

কোড ক্রেডিট - https://www.tensorflow.org/tutorials/load_data/text

আউটপুট

দুটি মডেলের তুলনা করা হয় বাইনারি ভেক্টরাইজড ডেটাতে লিনিয়ার মডেল:মডেল:"অনুক্রমিক"_________________________________________________________________ লেয়ার (টাইপ) আউটপুট শেপ পরম #===============================================================ঘন (ঘন) (কোনটিই নয়, 4 ) 40004=================================================================মোট পরামিতি:40,004 প্রশিক্ষণযোগ্য পরামিতি:40,004 অ-প্রশিক্ষণযোগ্য প্যারাম:0____________________________________________________________________ int ভেক্টরাইজড ডেটার উপর NoneConvNet মডেল:মডেল:"অনুক্রমিক____1"_____________________আউটপুট ===============================================================এম্বেডিং (এমবেডিং) (কোনটিই নয়, 64) 640064___________________________________________________________conv1d (Conv1D) (None, None, 64) 20544_____________________________________________________________________________ (Gloooling) ম্যাক্স ) 0_________________________________________________________________dense_1 (ঘন) (কোনটিই নয়, 4) 260=====================================> ব্যাখ্যা
   
 ভেক্টরাইজড 'বাইনারী' মডেল এবং ভেক্টরাইজড 'int' মডেল তুলনা করা হয়।
 
  
 এই তুলনা 'সারাংশ' পদ্ধতি ব্যবহার করে কনসোলে প্রদর্শিত হয়।