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। यह GPU गणना का उपयोग करता है और संसाधनों के प्रबंधन को स्वचालित करता है। यह अनेक मशीन लर्निंग लाइब्रेरी के साथ आता है, और अच्छी तरह से समर्थित और प्रलेखित है। इस फ्रेमवर्क में डीप न्यूरल नेटवर्क मॉडल चलाने, उन्हें प्रशिक्षित करने, और संबंधित डेटासेट की प्रासंगिक विशेषताओं की भविष्यवाणी करने वाले एप्लिकेशन बनाने की क्षमता है।
इंस्टॉलेशन
Windows पर 'tensorflow' पैकेज इंस्टॉल करने के लिए:
pip install tensorflow
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।
उदाहरण
def linear_reg(x):
return A * x + b
def mean_square_error(y_pred, y_true):
return tf.reduce_mean(tf.square(y_pred - y_true))
optimizer = tf.optimizers.SGD(learning_rate)
def run_optimization():
with tf.GradientTape() as g:
pred = linear_reg(X)
loss = mean_square_error(pred, Y)
gradients = g.gradient(loss, [A, b])
optimizer.apply_gradients(zip(gradients, [A, b]))
कोड क्रेडिट: GitHub उदाहरण
आउटपुट
एक रैखिक प्रतिगमन फ़ंक्शन जो परिभाषित किया गया है, डेटा पर कॉल किया जाता है। एक बार इष्टतम डेटा बिंदुओं की गणना हो जाने पर, माध्य वर्ग त्रुटि फ़ंक्शन की गणना की जाती है। ग्रेडिएंट डिसेंट फ़ंक्शन का उपयोग इष्टतम वजन खोजने के लिए किया जाता है। ये मान कंसोल पर प्रदर्शित किए जाते हैं।
व्याख्या
- 'वेट' और 'बायस' मान यादृच्छिक रूप से आरंभ किए जाते हैं। प्रशिक्षण पूरा होने पर उन्हें इष्टतम मूल्यों पर अपडेट किया जाएगा।
- रैखिक समीकरण का सामान्य प्रारूप 'Ax + b' है जहां 'A' 'वेट' है और 'b' 'बायस' मान है।
- माध्य वर्ग त्रुटि की गणना के लिए फ़ंक्शन परिभाषित किया गया है।
- स्टोकेस्टिक ग्रेडिएंट डिसेंट ऑप्टिमाइज़र भी परिभाषित किया गया है।
- ऑप्टिमाइज़ेशन के लिए एक फ़ंक्शन परिभाषित किया गया है, जो ग्रेडिएंट्स की गणना करता है और वेट और बायस के मूल्यों को अपडेट करता है।
- डेटा को निर्दिष्ट संख्या में चरणों के लिए प्रशिक्षित किया जाता है।
