टेंसरफ्लो/केरस में Sequential मॉडल को इंक्रीमेंटल रूप से बनाना

Sequential मॉडल कब उपयोग करें?

जब मॉडल एक **सरल लेयर स्टैक** हो: प्रत्येक लेयर का ठीक एक इनपुट टेंसर और एक आउटपुट टेंसर हो। उपयुक्त नहीं: बहु-इनपुट/आउटपुट, साझा लेयर्स, गैर-रैखिक टोपोलॉजी (Residual connections आदि)।

इंक्रीमेंटल निर्माण: add() विधि

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

print("एक Sequential मॉडल बनाया जा रहा है...")

model = keras.Sequential()
model.add(layers.Dense(2, activation="relu"))
model.add(layers.Dense(3, activation="relu"))
model.add(layers.Dense(4))

print("Dense लेयर्स मॉडल में जोड़ी गईं")
print(model.summary())

आउटपुट

एक Sequential मॉडल बनाया जा रहा है...
Dense लेयर्स मॉडल में जोड़ी गईं
Model: "sequential"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 dense (Dense)               (None, 2)                 10        
 dense_1 (Dense)             (None, 3)                 9         
 dense_2 (Dense)             (None, 4)                 16        
=================================================================
Total params: 35
Trainable params: 35
Non-trainable params: 0
_________________________________________________________________

टेंसर (Tensor) अवधारणा

• रैंक (Rank): टेंसर के आयामों की संख्या (स्केलर=0, वेक्टर=1, मैट्रिक्स=2, ...)।
• टाइप (Type): डेटा प्रकार (float32, int32, आदि)।
• शेप (Shape): प्रत्येक आयाम का आकार (पंक्तियाँ, कॉलम, ...)।

Keras और TensorFlow संबंध

• Keras उच्च-स्तरीय API है, TensorFlow पर चलता है।
• tf.keras TensorFlow में एकीकृत Keras है।
• स्टैंडअलोन keras पैकेज भी उपलब्ध है लेकिन tf.keras सुझावित है।

अगले चरण

1. model.compile(optimizer, loss, metrics) — प्रशिक्षण कॉन्फ़िगर करें।
2. model.fit(x, y, epochs, batch_size) — प्रशिक्षण करें।
3. model.evaluate(), model.predict() — मूल्यांकन/भविष्यवाणी।