পাইথন ব্যবহার করে মডেলকে প্রশিক্ষণ দেওয়ার জন্য কেরাস কীভাবে 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 উত্পাদন উদ্দেশ্যে ব্যবহৃত হয়। এটিতে অপ্টিমাইজেশান কৌশল রয়েছে যা জটিল গাণিতিক ক্রিয়াকলাপগুলি দ্রুত সম্পাদন করতে সহায়তা করে৷

'টেনসরফ্লো' প্যাকেজটি নীচের কোড-

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

কেরাস ONEIROS (ওপেন-এন্ডেড নিউরো-ইলেক্ট্রনিক ইন্টেলিজেন্ট রোবট অপারেটিং সিস্টেম) প্রকল্পের গবেষণার অংশ হিসাবে 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

কেরাস ইতিমধ্যেই টেনসরফ্লো প্যাকেজের মধ্যে উপস্থিত রয়েছে। 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

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। মডেল −

উদাহরণ

প্রিন্ট("নমুনা ইনপুট ডেটা")title_data =np.random.randint(num_words, size=(1280, 10))body_data =np.random.randint(num_words, size=(1280, 100))tags_data =np .random.randint(2, size=(1280, num_tags)).astype("float32")print("নমুনা টার্গেট ডেটা")priority_targets =np.random.random(size=(1280, 1))dept_targets =np. random.randint(2, size=(1280, num_classes))print("মডেলটি ডেটার সাথে মানানসই হচ্ছে")model.fit( {"title":title_data, "body":body_data, "tags":tags_data} , {"priority":priority_targets, "class":dept_targets}, epochs=2, batch_size=32,)

কোড ক্রেডিট - https://www.tensorflow.org/guide/keras/functional

আউটপুট

নমুনা ইনপুট ডেটা নমুনা লক্ষ্য ডেটা মডেলটি ডেটা ইপোচ 1/240/40-এর সাথে মানানসই হচ্ছে [==============================] - 5s 43ms/পদক্ষেপ - ক্ষতি:1.2738 - priority_loss:0.7043 -class_loss:2.8477Epoch 2/240/40 [=============================] - 2s 44ms/step - ক্ষতি:1.2720 - priority_loss:0.6997 -class_loss:2.8612

• নমুনা ইনপুট এবং টার্গেট ডেটা তৈরি হয়।

• মডেলটিকে ইনপুট এবং লক্ষ্যের একটি Numpy অ্যারে পাস করে প্রশিক্ষিত করা হয়৷