কেরাস টেনসরফ্লো প্যাকেজের মধ্যে উপস্থিত। এটি কোডের নীচের লাইন ব্যবহার করে অ্যাক্সেস করা যেতে পারে।
টেনসরফ্লো আমদানি কেরা থেকে টেনসরফ্লো আমদানি করুন
কেরাস ফাংশনাল এপিআই এমন মডেল তৈরি করতে সাহায্য করে যা ক্রমিক এপিআই ব্যবহার করে তৈরি মডেলের তুলনায় আরও নমনীয়। কার্যকরী API নন-লিনিয়ার টপোলজি রয়েছে এমন মডেলগুলির সাথে কাজ করতে পারে, স্তরগুলি ভাগ করতে পারে এবং একাধিক ইনপুট এবং আউটপুটগুলির সাথে কাজ করতে পারে। একটি গভীর শিক্ষার মডেল সাধারণত একটি নির্দেশিত অ্যাসাইক্লিক গ্রাফ (DAG) যাতে একাধিক স্তর থাকে। কার্যকরী API স্তরগুলির গ্রাফ তৈরি করতে সহায়তা করে৷
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 স্নিপেট;
উদাহরণ
মুদ্রণ("CIFAR10-এর জন্য খেলনা রেসনেট মডেল")প্রিন্ট("মডেলের জন্য স্তরগুলি তৈরি করা হয়েছে")ইনপুট =keras.ইনপুট(আকৃতি=(32, 32, 3), name="img")x =স্তরগুলি৷Conv2D( 32, 3, activation="relu")(inputs)x =layers.Conv2D(64, 3, activation="relu")(x)block_1_output =স্তরগুলি।MaxPooling2D(3)(x)x =স্তরগুলি।Conv2D(64 , 3, activation="relu", padding="same")(block_1_output)x =layers.Conv2D(64, 3, activation="relu", padding="same")(x)block_2_output =layers.add([ x, block_1_output])x =স্তরসমূহ।Conv2D(64, 3, activation="relu", padding="same")(block_2_output)x =layers.Conv2D(64, 3, activation="relu", padding="same ")(x)block_3_output =layers.add([x, block_2_output])x =layers.Conv2D(64, 3, activation="relu")(block_3_output)x =layers.GlobalAveragePooling2D()(x)x =স্তর। Dense(256, activation="relu")(x)x =স্তরসমূহ। ড্রপআউট(0.5)(x)আউটপুট =স্তরসমূহ।Dense(10)(x)মডেল =keras.Model(ইনপুট, আউটপুট, name="toy_resnet" )প্রিন্ট("মডেল সম্পর্কে আরো তথ্য")model.summary() কোড ক্রেডিট - https://www.tensorflow.org/guide/keras/functional
আউটপুট
মডেলের জন্য CIFAR10 স্তরের জন্য তৈরি করা খেলনা রেসনেট মডেল মডেল সম্পর্কে আরও তথ্য মডেল:"টয়_রেসনেট"________________________________________________________________________________________________________________________________________________________________________ লেয়ার (টাইপ) আউটপুট শেপ পরম # এর সাথে সংযুক্ত====================================================================+ , 30, 32) 896 img[0][0]______________________________________________________________________________________ conv2d_33 (Conv2D) (কোনটি নয়, 28, 28, 64) 18496 conv2d_32[0][0]______________________________________d_32 (ম্যাক্সট 0][0]_____________________________________________________________________ _____________________________conv2d_34 (Conv2D) (কেউ না, 9, 9, 64) 36928 max_pooling2d_8 [0] [0] __________________________________________________________________________________________________ conv2d_35 (Conv2D) (কেউ না, 9, 9, 64) 36928 conv2d_34 [0] [0] __________________________________________________________________________________________________ add_12 (যোগ করুন) (একটিও, 9 , 9, 64) 0 conv2d_35[0][0] max_pooling2d_8[0][0]______________________________________________________________________________________ কনভ২ডি_36 (কনভ2ডি) (কোনটিই নয়, 9, 9, 64) 36928 যোগ _12, 36928 যোগ ________________________________________________ (2012) 9, 64) 36928 conv2d_36[0][0]__________________________________________________________________________________________add_13 (যোগ করুন) (কোনটিই নয়, 9, 9, 64) 0 conv2d_37[0][0] add_12[0][0]__________________________________________________________________________________________conv2d_38 (Conv2D) (কোনটিই নয়, 7, 7, 64) 36928 যোগ_13[0][0] ___________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________এজ 36928 যোগ করুন ] [0] __________________________________________________________________________________________________ dense_40 (ঘন) (কেউ না, 256) 16640 global_average_pooling2d_1 [0] [0] __________________________________________________________________________________________________ dropout_2 (ঝরে পড়া) (কেউ না, 256) 0 dense_40 [0] [0] __________________________________________________________________________________________________ dense_41 (ঘন) (কেউ না, 10) 2570 dropout_2 [ 0][0]=================================================================================================মোট পরামিতি:223,242টি প্রশিক্ষনযোগ্য পরামিতি:223,242টি অ-প্রশিক্ষণযোগ্য প্যারাস:0______________________________________________________________________________________________________________________________ব্যাখ্যা
-
মডেলটিতে একাধিক ইনপুট এবং আউটপুট রয়েছে৷
-
কার্যকরী API নন-লিনিয়ার কানেক্টিভিটি টপোলজির সাথে কাজ করা সহজ করে তোলে।
-
স্তর সহ এই মডেলটি ক্রমানুসারে সংযুক্ত নয়, তাই 'অনুক্রমিক' API এটির সাথে কাজ করতে পারে না৷
-
এখানেই অবশিষ্ট সংযোগগুলি ছবিতে আসে৷
৷ -
CIFAR10 ব্যবহার করে একটি নমুনা ResNet মডেল একই প্রদর্শনের জন্য তৈরি করা হয়েছে৷
৷
