पायथन में टेंसरफ्लो का उपयोग करके एस्टिमेटर कैसे इंस्टेंटिएट करें?

टेंसरफ्लो का उपयोग करके एक एस्टिमेटर को इंस्टेंटिएट किया जा सकता है, टेंसरफ्लो लाइब्रेरी के 'estimator' क्लास में मौजूद 'DNNClassifier' मेथड का उपयोग करके।

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

हम केरस सीक्वेंशियल API का उपयोग करेंगे, जो एक सीक्वेंशियल मॉडल बनाने में सहायक है जिसका उपयोग लेयर के सादे स्टैक के साथ काम करने के लिए किया जाता है, जहां प्रत्येक लेयर में ठीक एक इनपुट टेंसर और एक आउटपुट टेंसर होता 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।

टेंसरफ्लो टेक्स्ट में टेक्स्ट-संबंधित क्लास और ऑप्स का संग्रह होता है जिसे टेंसरफ्लो 2.0 के साथ उपयोग किया जा सकता है। टेंसरफ्लो टेक्स्ट का उपयोग सीक्वेंस मॉडलिंग को प्रीप्रोसेस करने के लिए 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।

एक एस्टिमेटर टेंसरफ्लो का एक पूर्ण मॉडल का उच्च-स्तरीय प्रतिनिधित्व है। इसे आसान स्केलिंग और एसिंक्रोनस ट्रेनिंग के लिए डिज़ाइन किया गया है।

मॉडल को आइरिस डेटा सेट का उपयोग करके प्रशिक्षित किया जाता है।

उदाहरण

print("एक DNN बनाएं जिसमें 2 छिपी हुई लेयर हों जिनमें प्रत्येक में 30 और 10 छिपे नोड्स हों")
classifier = tf.estimator.DNNClassifier(
    feature_columns=my_feature_columns,
    hidden_units=[30, 10],
    n_classes=3)

कोड क्रेडिट - https://www.tensorflow.org/tutorials/estimator/premade#first_things_first

आउटपुट

एक DNN बनाएं जिसमें 2 छिपी हुई लेयर हों जिनमें प्रत्येक में 30 और 10 छिपे नोड्स हों
INFO:tensorflow:Using default config.
WARNING:tensorflow:Using temporary folder as model directory: /tmp/tmpdh8866zb
INFO:tensorflow:Using config: {'_model_dir': '/tmp/tmpdh8866zb', '_tf_random_seed': None, '_save_summary_steps': 100, '_save_checkpoints_steps': None, '_save_checkpoints_secs': 600, '_session_config': allow_soft_placement: true graph_options { rewrite_options { meta_optimizer_iterations: ONE } } , '_keep_checkpoint_max': 5, '_keep_checkpoint_every_n_hours': 10000, '_log_step_count_steps': 100, '_train_distribute': None, '_device_fn': None, '_protocol': None, '_eval_distribute': None, '_experimental_distribute': None, '_experimental_max_worker_delay_secs': None, '_session_creation_timeout_secs': 7200, '_checkpoint_save_graph_def': True, '_service': None, '_cluster_spec': ClusterSpec({}), '_task_type': 'worker', '_task_id': 0, '_global_id_in_cluster': 0, '_master': '', '_evaluation_master': '', '_is_chief': True, '_num_ps_replicas': 0, '_num_worker_replicas': 1}

व्याख्या

• आइरिस समस्या को क्लासिफिकेशन समस्या माना जाता है।
• टेंसरफ्लो कई प्री-मेड क्लासिफायर एस्टिमेटर के साथ आता है, जिसमें शामिल हैं:
  • tf.estimator.DNNClassifier गहरे मॉडल के लिए जो मल्टी-क्लास क्लासिफिकेशन करते हैं।
  • tf.estimator.DNNLinearCombinedClassifier वाइड और डीप मॉडल के लिए।
  • tf.estimator.LinearClassifier रैखिक मॉडल पर आधारित क्लासिफायर के लिए।
• आइरिस समस्या के लिए, हम tf.estimator का उपयोग करते हैं।