TensorFlow Google द्वारा प्रदान किया गया एक मशीन लर्निंग फ्रेमवर्क है। यह एक ओपन-सोर्स फ्रेमवर्क है जिसका उपयोग पायथन के साथ एल्गोरिदम, डीप लर्निंग एप्लिकेशन और बहुत कुछ लागू करने के लिए किया जाता है। यह शोध और उत्पादन उद्देश्यों के लिए उपयोग किया जाता है। इसमें ऑप्टिमाइज़ेशन तकनीकें हैं जो जटिल गणितीय संचालन को जल्दी 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।
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 ढेर सारी मशीन लर्निंग लाइब्रेरी के साथ आता है, और अच्छी तरह से समर्थित और डॉक्यूमेंटेड है। 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।
'tensorflow' पैकेज को Windows पर नीचे दिए गए कोड की लाइन का उपयोग करके इंस्टॉल किया जा सकता है:
pip install tensorflow
टेंसर TensorFlow में उपयोग की जाने वाली एक डेटा संरचना है। यह फ्लो डायग्राम में किनारों को जोड़ने में मदद करता है। इस फ्लो डायग्राम को 'डेटा फ्लो ग्राफ' के रूप में जाना जाता है। टेंसर बहुआयामी सरणी या सूची के अलावा कुछ नहीं हैं। उन्हें तीन मुख्य विशेषताओं का उपयोग करके पहचाना जा सकता है:
रैंक - यह टेंसर की आयामिकता के बारे में बताता है। इसे टेंसर के क्रम या टेंसर में परिभाषित आयामों की संख्या के रूप में समझा जा सकता है।
टाइप - यह टेंसर के तत्वों से जुड़े डेटा प्रकार के बारे में बताता है। यह एक आयामी, द्वि-आयामी या n-आयामी टेंसर हो सकता है।
शेप - यह पंक्तियों और स्तंभों की संख्या को एक साथ दर्शाता है।
हम नीचे दिए गए कोड को चलाने के लिए Google Colaboratory का उपयोग कर रहे हैं। Google Colab या Colaboratory ब्राउज़र पर पायथन कोड चलाने में मदद करता है और इसके लिए शून्य कॉन्फ़िगरेशन और GPUs (ग्राफिकल प्रोसेसिंग यूनिट्स) तक मुफ्त पहुंच की आवश्यकता होती है। Colaboratory को Jupyter Notebook के शीर्ष पर बनाया गया है।
उदाहरण
निम्न कोड स्निपेट है:
AUTOTUNE = tf.data.experimental.AUTOTUNE
print("The configure_dataset method is defined")
def configure_dataset(dataset):
return dataset.cache().prefetch(buffer_size=AUTOTUNE)
print("The function is called on training dataset")
binary_train_ds = configure_dataset(binary_train_ds)
print("The function is called on validation dataset")
binary_val_ds = configure_dataset(binary_val_ds)
print("The function is called on test dataset")
binary_test_ds = configure_dataset(binary_test_ds)
int_train_ds = configure_dataset(int_train_ds)
int_val_ds = configure_dataset(int_val_ds)
int_test_ds = configure_dataset(int_test_ds)
कोड क्रेडिट - https://www.tensorflow.org/tutorials/load_data/text
आउटपुट
The configure_dataset method is defined The function is called on training dataset The function is called on validation dataset The function is called on test dataset
व्याख्या
यह सुनिश्चित करने के लिए दो विधियों को परिभाषित करना महत्वपूर्ण है कि डेटा लोड करते समय इनपुट या आउटपुट ब्लॉक न हो।
'cache' विधि डेटा को मेमोरी में रखती है भले ही इसे डिस्क से लोड किया गया हो।
यह सुनिश्चित करता है कि प्रशिक्षण के दौरान डेटा बाधा न बने।
'prefetch' विधि प्रशिक्षण प्रक्रिया के दौरान डेटा प्री-प्रोसेसिंग और मॉडल निष्पादन को ओवरलैप करती है।
