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। इसमें ऑप्टिमाइज़ेशन तकनीकें हैं जो जटिल गणितीय संक्रियाओं को तेज़ी से करने में मदद करती हैं। ऐसा इसलिए है क्योंकि यह NumPy और बहुआयामी सरणियों का उपयोग करता है। इन बहुआयामी सरणियों को 'टेंसर' के रूप में भी जाना जाता है। यह फ्रेमवर्क डीप न्यूरल नेटवर्क के साथ काम करने का समर्थन करता है। यह अत्यधिक स्केलेबल है, और कई लोकप्रिय डेटासेट के साथ आता है।
टेंसर क्या 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।
रिग्रेशन समस्या और डेटासेट
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। 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।
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।
निम्न कोड स्निपेट में हम देखेंगे कि TensorFlow का उपयोग करके Auto MPG डेटासेट का उपयोग करके ईंधन दक्षता की भविष्यवाणी के लिए डेटा को कैसे विभाजित और निरीक्षण किया जा सकता है:
उदाहरण
print("प्रशिक्षण और टेस्ट डेटासेट को विभाजित करना")
train_dataset = dataset.sample(frac=0.7, random_state=0)
test_dataset = dataset.drop(train_dataset.index)
print("प्रशिक्षण डेटा को विज़ुअलाइज़ेशन के रूप में प्लॉट करना")
sns.pairplot(train_dataset[['MPG', 'Cylinders', 'Displacement', 'Weight']], diag_kind='kde')
print("डेटा से जुड़े आंकड़ों को समझना")
train_dataset.describe().transpose()
कोड क्रेडिट - TensorFlow ट्यूटोरियल
आउटपुट
प्रशिक्षण और टेस्ट डेटासेट को विभाजित करना प्रशिक्षण डेटा को विज़ुअलाइज़ेशन के रूप में प्लॉट करना डेटा से जुड़े आंकड़ों को समझना
व्याख्या
- एक बार डेटा साफ हो जाने के बाद, डेटा को प्रशिक्षण और टेस्ट डेटासेट में विभाजित किया जाता है।
- 70 प्रतिशत डेटा प्रशिक्षण के लिए उपयोग किया जाता है और शेष 30 प्रतिशत टेस्टिंग के लिए उपयोग किया जाता है।
- इस प्रशिक्षण डेटा को seaborn पैकेज का उपयोग करके कंसोल पर विज़ुअलाइज़ किया जाता है।
- 'describe' फ़ंक्शन का उपयोग करके डेटा के आंकड़े, जैसे गणना, माध्य, माध्यिका, आदि प्रदर्शित किए जाते हैं।
