Tensorflow एक मशीन लर्निंग फ्रेमवर्क है जो Google द्वारा प्रदान किया जाता है। यह एक ओपन-सोर्स फ्रेमवर्क है जिसका उपयोग एल्गोरिदम, गहन शिक्षण अनुप्रयोगों और बहुत कुछ को लागू करने के लिए पायथन के साथ संयोजन में किया जाता है। इसका उपयोग अनुसंधान और उत्पादन उद्देश्यों के लिए किया जाता है। इसमें अनुकूलन तकनीकें हैं जो जटिल गणितीय कार्यों को शीघ्रता से करने में मदद करती हैं।
ऐसा इसलिए है क्योंकि यह NumPy और बहुआयामी सरणियों का उपयोग करता है। इन बहु-आयामी सरणियों को 'टेंसर' के रूप में भी जाना जाता है। ढांचा गहरे तंत्रिका नेटवर्क के साथ काम करने का समर्थन करता है। यह अत्यधिक स्केलेबल है, और कई लोकप्रिय डेटासेट के साथ आता है। यह GPU संगणना का उपयोग करता है और संसाधनों के प्रबंधन को स्वचालित करता है। यह मशीन लर्निंग लाइब्रेरी की भीड़ के साथ आता है, और अच्छी तरह से समर्थित और प्रलेखित है। ढांचे में गहरे तंत्रिका नेटवर्क मॉडल चलाने, उन्हें प्रशिक्षित करने और संबंधित डेटासेट की प्रासंगिक विशेषताओं की भविष्यवाणी करने वाले एप्लिकेशन बनाने की क्षमता है।
कोड की निम्न पंक्ति का उपयोग करके विंडोज़ पर 'टेंसरफ़्लो' पैकेज स्थापित किया जा सकता है -
pip install tensorflow
Tensor एक डेटा संरचना है जिसका उपयोग TensorFlow में किया जाता है। यह प्रवाह आरेख में किनारों को जोड़ने में मदद करता है। इस प्रवाह आरेख को 'डेटा प्रवाह ग्राफ' के रूप में जाना जाता है। टेंसर कुछ और नहीं बल्कि बहुआयामी सरणी या एक सूची है। उन्हें तीन मुख्य विशेषताओं का उपयोग करके पहचाना जा सकता है -
प्रतिगमन समस्या के पीछे का उद्देश्य एक निरंतर या असतत चर के उत्पादन की भविष्यवाणी करना है, जैसे कि मूल्य, संभावना, बारिश होगी या नहीं और इसी तरह।
हमारे द्वारा उपयोग किए जाने वाले डेटासेट को 'ऑटो एमपीजी' डेटासेट कहा जाता है। इसमें 1970 और 1980 के दशक के ऑटोमोबाइल की ईंधन दक्षता शामिल है। इसमें वजन, अश्वशक्ति, विस्थापन आदि जैसे गुण शामिल हैं। इसके साथ, हमें विशिष्ट वाहनों की ईंधन दक्षता की भविष्यवाणी करने की आवश्यकता 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।
निम्नलिखित कोड स्निपेट है -
उदाहरण
hrspwr = np.array(train_features['Horsepower'])
print("The data is being normalized")
hrspwr_normalizer = preprocessing.Normalization(input_shape=[1,])
hrspwr_normalizer.adapt(hrspwr)
hrspwr_model = tf.keras.Sequential([
hrspwr_normalizer,
layers.Dense(units=1)
])
print("The statistical data sample ")
hrspwr_model.summary()
print("The predicted output ")
hrspwr_model.predict(hrspwr[:7])
print("The model is being compiled : ")
hrspwr_model.compile(
optimizer=tf.optimizers.Adam(learning_rate=0.1),
loss='mean_absolute_error') कोड क्रेडिट - https://www.tensorflow.org/tutorials/keras/regression
आउटपुट
स्पष्टीकरण
-
'हॉर्सपावर' से 'एमपीजी' मान का अनुमान लगाने की ज़रूरत है।
-
एक केरस मॉडल को मॉडल की वास्तुकला को परिभाषित करके प्रशिक्षित किया जाता है।
-
यहां परिभाषित मॉडल एक 'अनुक्रमिक' मॉडल है। यह चरणों के अनुक्रम को इंगित करता है।
-
सबसे पहले, 'अश्वशक्ति' इनपुट को सामान्यीकृत किया जाता है।
-
रैखिक परिवर्तन (y=mx + b) लागू किया जाता है जो घनी परत 'लेयर्स.डेंस' की मदद से एक आउटपुट उत्पन्न करेगा।
-
'अश्वशक्ति' सामान्यीकरण परत बनाई गई है।