Tensorflow का उपयोग पहले वर्ग के नामों को एक Numpy सरणी में परिवर्तित करके और फिर 'Rescaling' विधि का उपयोग करके एक सामान्यीकरण परत बनाकर सामान्यीकरण परत बनाने के लिए किया जा सकता है, जो tf.keras.layers.experimental.preprocessing पैकेज में मौजूद है।
और पढ़ें:TensorFlow क्या है और Keras कैसे TensorFlow के साथ तंत्रिका नेटवर्क बनाने के लिए काम करता है?
एक तंत्रिका नेटवर्क जिसमें कम से कम एक परत होती है, एक दृढ़ परत के रूप में जानी जाती है। लर्निंग मॉडल बनाने के लिए हम कन्वेन्शनल न्यूरल नेटवर्क का इस्तेमाल कर सकते हैं।
छवि वर्गीकरण के लिए स्थानांतरण सीखने के पीछे अंतर्ज्ञान यह है कि यदि किसी मॉडल को बड़े और सामान्य डेटासेट पर प्रशिक्षित किया जाता है, तो इस मॉडल का उपयोग दृश्य दुनिया के लिए एक सामान्य मॉडल के रूप में प्रभावी ढंग से काम करने के लिए किया जा सकता है। इसने फीचर मैप्स सीख लिए होंगे, जिसका अर्थ है कि उपयोगकर्ता को बड़े डेटासेट पर बड़े मॉडल को प्रशिक्षित करके शुरू से शुरू नहीं करना पड़ेगा।
TensorFlow हब एक भंडार है जिसमें पूर्व-प्रशिक्षित TensorFlow मॉडल शामिल हैं। TensorFlow का उपयोग सीखने के मॉडल को बेहतर बनाने के लिए किया जा सकता है।
हम समझेंगे कि tf.keras के साथ TensorFlow हब से मॉडल का उपयोग कैसे करें, TensorFlow हब से छवि वर्गीकरण मॉडल का उपयोग करें। एक बार यह हो जाने के बाद, अनुकूलित छवि वर्गों के लिए एक मॉडल को ठीक करने के लिए स्थानांतरण सीखने का प्रदर्शन किया जा सकता है। यह एक छवि लेने के लिए एक पूर्व-प्रशिक्षित क्लासिफायरियर मॉडल का उपयोग करके किया जाता 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 सहयोग का उपयोग कर रहे हैं। Google Colab या Colaboratory ब्राउज़र पर पायथन कोड चलाने में मदद करता है और इसके लिए शून्य कॉन्फ़िगरेशन और GPU (ग्राफ़िकल प्रोसेसिंग यूनिट) तक मुफ्त पहुंच की आवश्यकता होती है। जुपिटर नोटबुक के ऊपर कोलैबोरेटरी बनाई गई है।
उदाहरण
print("It contains 5 classes")
class_names = np.array(train_ds.class_names)
print(class_names)
print("A normalization layer is built")
normalization_layer = tf.keras.layers.experimental.preprocessing.Rescaling(1./255)
train_ds = train_ds.map(lambda x, y: (normalization_layer(x), y)) कोड क्रेडिट -https://www.tensorflow.org/tutorials/images/transfer_learning_with_hub
आउटपुट
It contains 5 classes ['daisy' 'dandelion' 'roses' 'sunflowers' 'tulips'] A normalization layer is built
स्पष्टीकरण
-
छवियों को मॉडल करने के लिए TFHub के सम्मेलनों के लिए [0, 1] की सीमा में फ्लोट इनपुट की आवश्यकता होती है।
-
इसे प्राप्त करने के लिए पुनर्विक्रय परत का उपयोग किया जा सकता है।
-
बफर्ड प्रीफ़ेचिंग का उपयोग किया जा सकता है ताकि I/O ब्लॉक किए बिना डिस्क से डेटा लिया जा सके।