TensorFlow, Google द्वारा प्रदान किया गया एक मशीन लर्निंग फ्रेमवर्क है। यह एक ओपन-सोर्स फ्रेमवर्क है जिसे Python के साथ मिलकर एल्गोरिदम, डीप लर्निंग एप्लिकेशन और बहुत कुछ लागू करने के लिए उपयोग किया जाता है। इसका उपयोग अनुसंधान और उत्पादन उद्देश्यों के लिए किया जाता है। टेंसर, TensorFlow में उपयोग की जाने वाली एक डेटा संरचना है। यह फ्लो डायग्राम में एज को जोड़ने में मदद करता है। इस फ्लो डायग्राम को 'डेटा फ्लो ग्राफ' के नाम से जाना जाता है। टेंसर बहुआयामी सरणी या सूची के अलावा कुछ नहीं हैं। इनकी पहचान तीन मुख्य गुणों का उपयोग करके की जा सकती है:
- रैंक - यह टेंसर की आयामिकता के बारे में बताता है। इसे टेंसर के क्रम या परिभाषित टेंसर में आयामों की संख्या के रूप में समझा जा सकता है।
- टाइप - यह टेंसर के तत्वों से जुड़े डेटा टाइप के बारे में बताता है। यह एक आयामी, द्वि-आयामी या n-आयामी टेंसर हो सकता है।
- शेप - यह एक साथ पंक्तियों और स्तंभों की संख्या है।
इंस्टॉलेशन
Windows पर 'tensorflow' पैकेज इंस्टॉल करने के लिए:
pip install tensorflow
रिग्रेशन समस्या
रिग्रेशन समस्या के पीछे का उद्देश्य एक सतत या असतत चर के आउटपुट की भविष्यवाणी करना है, जैसे कि कीमत, संभावना, बारिश होगी या नहीं, आदि।
Auto MPG डेटासेट
हम जिस डेटासेट का उपयोग करते हैं उसे 'Auto MPG' डेटासेट कहा जाता है। इसमें 1970 और 1980 के दशक के ऑटोमोबाइल की ईंधन दक्षता शामिल है। इसमें वजन, हॉर्सपावर, डिस्प्लेसमेंट आदि जैसे गुण शामिल हैं। इसके साथ, हमें विशिष्ट वाहनों की ईंधन दक्षता की भविष्यवाणी करने की आवश्यकता है।
अनुक्रमिक मॉडल
एक अनुक्रमिक मॉडल एक ऐसा मॉडल है जो लेयर्स के स्टैक पर बनता है।
Google Colaboratory का उपयोग
हम नीचे दिए गए कोड को चलाने के लिए Google Colaboratory का उपयोग कर रहे हैं। Google Colab या Colaboratory ब्राउज़र पर Python कोड चलाने में मदद करता है और इसके लिए शून्य कॉन्फ़िगरेशन की आवश्यकता होती है और GPUs (ग्राफिकल प्रोसेसिंग यूनिट्स) तक मुफ्त पहुंच प्रदान करता है। Colaboratory को Jupyter Notebook के शीर्ष पर बनाया गया है।
उदाहरण
print("1 घनी लेयर के साथ एक अनुक्रमिक मॉडल बनाया जा रहा है")
linear_model = tf.keras.Sequential([
normalizer,
layers.Dense(units=1)
])
print("भविष्यवाणियां की जा रही हैं")
linear_model.predict(train_features[:10])
linear_model.layers[1].kernel
print("मॉडल को कंपाइल किया जा रहा है")
linear_model.compile(
optimizer=tf.optimizers.Adam(learning_rate=0.1),
loss='mean_absolute_error')
print("मॉडल को डेटा में फिट किया जा रहा है")
history = linear_model.fit(
train_features, train_labels,
epochs=150,
verbose=0,
validation_split=0.25)
print("भविष्यवाणी किए गए मान प्लॉट किए जा रहे हैं")
plot_loss(history)
print("भविष्यवाणी किए गए परिणामों का मूल्यांकन किया जा रहा है")
test_results['linear_model'] = linear_model.evaluate(
test_features, test_labels, verbose=0)
कोड क्रेडिट: TensorFlow ट्यूटोरियल
आउटपुट
व्याख्या
- Keras API का उपयोग करके एक अनुक्रमिक आर्किटेक्चर मॉडल बनाया गया है।
- 'MPG' के लिए भविष्यवाणियां की जाती हैं।
- रैखिक प्रतिगमन का सामान्य प्रारूप y = mx + b है।
- भविष्यवाणियां करने के बाद, इस मॉडल को कंपाइल किया जाता है।
- अगला, मॉडल को डेटा में फिट किया जाता है, जहां प्रशिक्षण चरणों की संख्या परिभाषित की जाती है।
- पहले से भविष्यवाणी किए गए मान कंसोल पर प्लॉट किए जाते हैं।
