फैशन एमएनआईएसटी डेटासेट के साथ टेंसरफ़्लो का उपयोग कैसे किया जा सकता है ताकि प्रशिक्षित मॉडल का उपयोग पायथन में एक अलग छवि की भविष्यवाणी करने के लिए किया जा सके?

Tensorflow एक मशीन लर्निंग फ्रेमवर्क है जो Google द्वारा प्रदान किया जाता है। यह एक ओपन-सोर्स फ्रेमवर्क है जिसका उपयोग पायथन के संयोजन में एल्गोरिदम, गहन शिक्षण अनुप्रयोगों और बहुत कुछ को लागू करने के लिए 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 बहु-आयामी सरणियों का उपयोग करता है। इन बहु-आयामी सरणियों को 'टेंसर' के रूप में भी जाना जाता है। फ्रेमवर्क गहरे तंत्रिका नेटवर्क के साथ काम करने का समर्थन करता 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 -

रैंक - यह टेंसर की डाइमेंशन के बारे में बताता है। इसे टेंसर के क्रम या परिभाषित किए गए टेंसर में आयामों की संख्या के रूप में समझा जा सकता है।

टाइप करें - यह टेंसर के तत्वों से जुड़े डेटा प्रकार के बारे में बताता है। यह एक आयामी, दो आयामी या n आयामी टेंसर हो सकता है।

आकार - यह पंक्तियों और स्तंभों की एक साथ संख्या है।

'फैशन एमएनआईएसटी' डेटासेट में विभिन्न प्रकार के कपड़ों की छवियां होती हैं। इसमें 70 हजार से अधिक कपड़ों की ग्रेस्केल छवियां हैं जो 10 विभिन्न श्रेणियों से संबंधित हैं। ये चित्र कम रिज़ॉल्यूशन (28 x 28 पिक्सेल) के हैं।

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

print("An image from the test data is taken")
img = test_images[26]
print("The dimensions of the image are ")
print(img.shape)
print("The image is added to batch where it is the only entity")
img = (np.expand_dims(img,0))
print("The dimensions of the image now ")
print(img.shape)

my_pred = probability_model.predict(img)
print("The prediction made is ")
print(my_pred)

plot_value_array(1, my_pred[0], test_labels)
_ = plt.xticks(range(10), class_names, rotation=45)
np.argmax(my_pred[0])

कोड क्रेडिट - https://www.tensorflow.org/tutorials/keras/classification

आउटपुट

An image from the test data is taken
The dimensions of the image are
(28, 28)
The image is added to batch where it is the only entity
The dimensions of the image now
(1, 28, 28)
The prediction made is
[[8.0459216e-07 1.7074371e-09 2.6175227e-02 1.8855806e-07 1.7909618e-01
2.1126857e-06 7.9472500e-01 7.5104166e-11 4.7921480e-07 1.6657851e-10]]
6

स्पष्टीकरण

• परीक्षण छवि के आयाम कंसोल पर प्रदर्शित होते हैं

• 'expand_dims' को एक साथ बैच या उदाहरणों के संग्रह पर काम करने के लिए अनुकूलित किया गया है।

• सूची के एक भाग के रूप में एक एकल छवि भी जोड़ी जाती है।

• भविष्यवाणी फ़ंक्शन सूचियों की एक सूची देता है, जहां प्रत्येक सूची बैच डेटा में एक छवि से मेल खाती है।

• हम जो छवि चाहते हैं उसके लिए पूर्वानुमान निकाले जाते हैं और कंसोल पर प्रदर्शित होते हैं।

• इसे बार ग्राफ के रूप में 'matplotlib' का उपयोग करके देखा जाता है।