एक अनुमानक को Tensorflow का उपयोग करके 'DNNClassifier' पद्धति का उपयोग करके त्वरित किया जा सकता है जो Tensorflow लाइब्रेरी के 'अनुमानक' वर्ग में मौजूद है।
और पढ़ें: TensorFlow क्या है और Keras कैसे तंत्रिका नेटवर्क बनाने के लिए TensorFlow के साथ काम करता है?
हम केरस अनुक्रमिक एपीआई का उपयोग करेंगे, जो एक अनुक्रमिक मॉडल बनाने में सहायक है जिसका उपयोग परतों के एक सादे ढेर के साथ काम करने के लिए किया जाता है, जहां हर परत में एक इनपुट टेंसर और एक आउटपुट टेंसर होता 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।
TensorFlow Text में टेक्स्ट से संबंधित क्लासेस और ऑप्स का संग्रह होता है जिसका उपयोग TensorFlow 2.0 के साथ किया जा सकता है। TensorFlow टेक्स्ट का उपयोग अनुक्रम मॉडलिंग को प्रीप्रोसेस करने के लिए 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।
एक अनुमानक एक संपूर्ण मॉडल का TensorFlow का उच्च-स्तरीय प्रतिनिधित्व है। इसे आसान स्केलिंग और अतुल्यकालिक प्रशिक्षण के लिए डिज़ाइन किया गया है।
मॉडल को आईरिस डेटा सेट का उपयोग करके प्रशिक्षित किया जाता है।
उदाहरण
print("Build a DNN that has 2 hidden layers with 30 and 10 hidden nodes each")
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
Build a DNN that has 2 hidden layers with 30 and 10 hidden nodes each
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} स्पष्टीकरण
- आइरिस समस्या को वर्गीकरण समस्या माना जाता है।
- Tensorflow कई पूर्व-निर्मित क्लासिफायर एस्टिमेटर्स के साथ आता है, जिसमें −
- . शामिल हैं
- tf.estimator.DNNClassifier गहरे मॉडल के लिए जो बहु-श्रेणी वर्गीकरण करते हैं।
- tf.estimator.DNNlinearCombinedClassifier विस्तृत और गहरे मॉडल के लिए।
- tf.estimator.LinearClassifier रैखिक मॉडल पर आधारित क्लासिफायर के लिए।
- आइरिस समस्या के लिए, हम tf.estimator का उपयोग करते हैं।