पायथन में टेंसरफ्लो का उपयोग करके क्लासिफिकेशन हेड कैसे जोड़ें?

टेंसरफ्लो का उपयोग एक सीक्वेंशियल मॉडल का उपयोग करके क्लासिफिकेशन हेड जोड़ने के लिए किया जा सकता है जिसमें एक Dense लेयर होती है, जो पहले से परिभाषित फीचर एक्सट्रैक्टर मॉडल का उपयोग करती है।

और पढ़ें: टेंसरफ्लो क्या है और केरस टेंसरफ्लो के साथ न्यूरल नेटवर्क बनाने में कैसे काम करता है?

एक न्यूरल नेटवर्क जिसमें कम से कम एक लेयर होती है, कन्वोल्यूशनल लेयर के रूप में जानी जाती है। हम कन्वोल्यूशनल न्यूरल नेटवर्क का उपयोग लर्निंग मॉडल बनाने के लिए कर सकते हैं।

इमेज क्लासिफिकेशन के लिए ट्रांसफर लर्निंग के पीछे अंतर्ज्ञान यह है कि यदि कोई मॉडल बड़े और सामान्य डेटासेट पर प्रशिक्षित है, तो यह मॉडल दृश्य दुनिया के लिए एक सामान्य मॉडल के रूप में प्रभावी ढंग से काम कर सकता है। इसने फीचर मैप सीखे होंगे, जिसका अर्थ है कि उपयोगकर्ता को बड़े डेटासेट पर बड़े मॉडल को प्रशिक्षित करके स्क्रैच से शुरू नहीं करना पड़ेगा।

टेंसरफ्लो हब एक रिपॉजिटरी है जिसमें प्री-ट्रेंड टेंसरफ्लो मॉडल होते हैं। टेंसरफ्लो का उपयोग लर्निंग मॉडल को फाइन-ट्यून करने के लिए किया जा सकता है।

हम समझेंगे कि tf.keras के साथ टेंसरफ्लो हब से मॉडल का उपयोग कैसे करें, टेंसरफ्लो हब से एक इमेज क्लासिफिकेशन मॉडल का उपयोग करें। एक बार यह हो जाने के बाद, कस्टमाइज़्ड इमेज क्लास के लिए मॉडल को फाइन-ट्यून करने के लिए ट्रांसफर लर्निंग किया जा सकता है। यह एक प्री-ट्रेंड क्लासिफायर मॉडल का उपयोग करके एक इमेज लेता है और भविष्यवाणी करता है कि यह क्या है। यह बिना किसी प्रशिक्षण की आवश्यकता के किया जा सकता है।

हम नीचे दिए गए कोड को चलाने के लिए Google Colaboratory का उपयोग कर रहे हैं। Google Colab या कोलेबोरेटरी ब्राउज़र पर पायथन कोड चलाने में मदद करता है और इसके लिए शून्य कॉन्फ़िगरेशन और GPU (ग्राफिकल प्रोसेसिंग यूनिट्स) तक मुफ्त पहुंच की आवश्यकता होती है। कोलेबोरेटरी को जुपिटर नोटबुक के शीर्ष पर बनाया गया है।

उदाहरण

print("क्लासिफिकेशन हेड जोड़ना")
num_classes = len(class_names)
model = tf.keras.Sequential([
    feature_extractor_layer,
    tf.keras.layers.Dense(num_classes)
])
print("मॉडल का बेस आर्किटेक्चर")
model.summary()
print("भविष्यवाणियां की जा रही हैं")
predictions = model(image_batch)
print("भविष्यवाणियों के आयाम")
predictions.shape

कोड क्रेडिट - https://www.tensorflow.org/tutorials/images/transfer_learning_with_hub

आउटपुट

क्लासिफिकेशन हेड जोड़ना
मॉडल का बेस आर्किटेक्चर
Model: "sequential_3"
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
keras_layer_1 (KerasLayer)   (None, 1280)              2257984
_________________________________________________________________
dense_3 (Dense)              (None, 5)                 6405
=================================================================
Total params: 2,264,389
Trainable params: 6,405
Non-trainable params: 2,257,984
_________________________________________________________________
भविष्यवाणियां की जा रही हैं
भविष्यवाणियों के आयाम
TensorShape([32, 5])

व्याख्या

• क्लासिफिकेशन हेड मॉडल से जुड़ा हुआ है।
• एक बार यह हो जाने के बाद, मॉडल का बेस आर्किटेक्चर निर्धारित किया जाता है।
• यह 'summary' मेथड की मदद से किया जाता है।
• डेटा के आयाम निर्धारित किए जाते हैं।
• यह जानकारी कंसोल पर प्रदर्शित की जाती है।