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।
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 एक बहुआयामी सरणी या सूची के अलावा कुछ नहीं हैं।
हम इलियड के डेटासेट का उपयोग करेंगे, जिसमें विलियम कूपर, एडवर्ड (डर्बी के अर्ल) और सैमुअल बटलर के तीन अनुवाद कार्यों का टेक्स्ट डेटा होता है। मॉडल को एकल लाइन टेक्स्ट दिए जाने पर अनुवादक की पहचान करने के लिए प्रशिक्षित किया जाता है। उपयोग की गई टेक्स्ट फ़ाइलों को प्रीप्रोसेस किया गया है। इसमें दस्तावेज़ हेडर और फुटर, लाइन नंबर और अध्याय शीर्षक को हटाना शामिल है।
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
निम्न कोड स्निपेट:
print("कस्टमाइज़्ड प्री-प्रोसेसिंग चरण")
preprocess_layer = TextVectorization(
max_tokens=vocab_size,
standardize=tf_text.case_fold_utf8,
split=tokenizer.tokenize,
output_mode='int',
output_sequence_length=MAX_SEQUENCE_LENGTH)
preprocess_layer.set_vocabulary(vocab)
print("मॉडल को एक्सपोर्ट किया जा रहा है")
export_model = tf.keras.Sequential(
[preprocess_layer, model,
layers.Activation('sigmoid')])
कोड क्रेडिट: TensorFlow ट्यूटोरियल
आउटपुट
कस्टमाइज़्ड प्री-प्रोसेसिंग चरण मॉडल को एक्सपोर्ट किया जा रहा है
व्याख्या
- यदि हम चाहते हैं कि हमारा मॉडल रॉ स्ट्रिंग्स को इनपुट के रूप में ले, तो हमें एक 'textVectorization' लेयर बनाने की आवश्यकता है जो प्रीप्रोसेसिंग के समान फ़ंक्शन करता है।
- शब्दावली पहले ही प्रशिक्षित की जा चुकी है, जिसका अर्थ है कि हम नई शब्दावली को प्रशिक्षित करने के लिए 'set_vocabulary' विधि का उपयोग कर सकते हैं।
