Tensorflow और पूर्व-प्रशिक्षित मॉडल का उपयोग 'मूल्यांकन' और 'पूर्वानुमान' विधियों का उपयोग करके डेटा के मूल्यांकन और भविष्यवाणी के लिए किया जा सकता है। इनपुट छवियों का बैच पहले चपटा होता है। सिग्मॉइड फ़ंक्शन को मॉडल पर लागू किया जाता है ताकि यह लॉगिट मान लौटाए।
और पढ़ें: TensorFlow क्या है और Keras कैसे तंत्रिका नेटवर्क बनाने के लिए TensorFlow के साथ काम करता है?
एक तंत्रिका नेटवर्क जिसमें कम से कम एक परत होती है, एक दृढ़ परत के रूप में जानी जाती है। हम लर्निंग मॉडल बनाने के लिए कन्वेन्शनल न्यूरल नेटवर्क का उपयोग कर सकते हैं।
हम समझेंगे कि पूर्व-प्रशिक्षित नेटवर्क से स्थानांतरण सीखने की सहायता से बिल्लियों और कुत्तों की छवियों को कैसे वर्गीकृत किया जाए। 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।
और पढ़ें: अनुकूलित मॉडल को पूर्व-प्रशिक्षित कैसे 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("Evaluation and prediction")
loss, accuracy = model.evaluate(test_dataset)
print('Test accuracy is :', accuracy)
print("The batch of image from test set is retrieved")
image_batch, label_batch = test_dataset.as_numpy_iterator().next()
predictions = model.predict_on_batch(image_batch).flatten()
print("The sigmoid function is applied on the model, it returns logits")
predictions = tf.nn.sigmoid(predictions)
predictions = tf.where(predictions < 0.5, 0, 1)
print('Predictions are:\n', predictions.numpy())
print('Labels are:\n', label_batch) कोड क्रेडिट -https://www.tensorflow.org/tutorials/images/transfer_learning
आउटपुट
Evaluation and prediction 6/6 [==============================] - 3s 516ms/step - loss: 0.0276 - accuracy: 0.9844 Test accuracy is : 0.984375 The batch of image from test set is retrieved The sigmoid function is applied on the model, it returns logits Predictions are: [1 1 1 1 0 0 1 0 1 0 0 0 1 0 1 0 0 0 1 1 1 0 1 0 0 1 1 1 0 1 0 1] Labels are: [1 1 1 1 0 0 1 0 1 0 0 0 1 0 1 0 0 0 1 1 1 0 1 0 0 1 1 1 0 1 0 1]
स्पष्टीकरण
- मॉडल का उपयोग अब डेटा का अनुमान लगाने और उसका मूल्यांकन करने के लिए किया जा सकता है।
- भविष्यवाणी तब की जाती है जब किसी छवि को इनपुट के रूप में पास किया जाता है।
- भविष्यवाणी यह होनी चाहिए कि छवि कुत्ते की है या बिल्ली की।