टेंसरफ्लो गूगल द्वारा प्रदान किया गया एक मशीन लर्निंग फ्रेमवर्क है। यह एक ओपन-सोर्स फ्रेमवर्क है जिसे पायथन के साथ संयोजन में एल्गोरिदम, डीप लर्निंग एप्लिकेशन और बहुत कुछ लागू करने के लिए उपयोग किया जाता है। यह शोध और उत्पादन उद्देश्यों के लिए उपयोग किया जाता है।
'tensorflow' पैकेज को विंडोज पर नीचे दिए गए कोड की लाइन का उपयोग करके इंस्टॉल किया जा सकता है:
pip install tensorflow
टेंसर टेंसरफ्लो 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 रूप में जाना जाता है। टेंसर्स एक बहु-आयामी सरणी या सूची के अलावा और कुछ नहीं हैं।
केरस एक डीप लर्निंग API है, जिसे पायथन में लिखा गया है। यह एक हाई-लेवल API है जिसमें एक उत्पादक इंटरफेस है जो मशीन लर्निंग समस्याओं को हल करने में मदद करता है। यह टेंसरफ्लो फ्रेमवर्क के शीर्ष पर चलता है। इसे त्वरित तरीके से प्रयोग करने में मदद करने के लिए बनाया गया था। यह आवश्यक अमूर्त और बिल्डिंग ब्लॉक प्रदान करता है जो मशीन लर्निंग समाधानों को विकसित करने और कैप्सुलेट करने में आवश्यक हैं।
केरस पहले से ही टेंसरफ्लो पैकेज के भीतर मौजूद है। इसे नीचे दिए गए कोड की लाइन का उपयोग करके एक्सेस किया जा सकता है।
import tensorflow from tensorflow import keras
केरस फंक्शनल API अधिक लचीले मॉडल बनाने में मदद करता है, अनुक्रमिक API का उपयोग करके बनाए गए मॉडल की तुलना में। फंक्शनल API नॉन-लीनियर टोपोलॉजी वाले मॉडल के साथ काम कर सकता है, लेयर्स साझा कर सकता है और कई इनपुट और आउटपुट के साथ काम कर सकता है। एक डीप लर्निंग मॉडल आमतौर पर एक डायरेक्टेड एसाइक्लिक ग्राफ (DAG) होता है जिसमें कई लेयर्स होती हैं। फंक्शनल API लेयर्स के ग्राफ को बनाने में मदद करता 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 GPU (ग्राफिकल प्रोसेसिंग यूनिट्स) तक मुफ्त पहुंच की आवश्यकता होती है। Colaboratory को Jupyter Notebook के शीर्ष पर बनाया गया है। निम्नलिखित कोड स्निपेट है:
उदाहरण
class CustomDense(layers.Layer):
def __init__(self, units=32):
super(CustomDense, self).__init__()
self.units = units
def build(self, input_shape):
self.w = self.add_weight(
shape=(input_shape[-1], self.units),
initializer="random_normal",
trainable=True,
)
self.b = self.add_weight(
shape=(self.units,), initializer="random_normal", trainable=True
)
def call(self, inputs):
return tf.matmul(inputs, self.w) + self.b
inputs = keras.Input((4,))
outputs = CustomDense(10)(inputs)
print("केरस मॉडल उत्पन्न किया जा रहा है")
model = keras.Model(inputs, outputs)
कोड क्रेडिट - https://www.tensorflow.org/guide/keras/functional
आउटपुट
केरस मॉडल उत्पन्न किया जा रहा है
व्याख्या
केरस कई बिल्ट-इन लेयर्स के साथ आता है, जिनमें 'Conv1D', 'Conv2D', 'Conv2DTranspose', आदि शामिल हैं।
'call' मेथड लेयर द्वारा किए जाने वाले गणना को निर्दिष्ट करता है।
'build' मेथड लेयर के लिए वजन बनाता है।
मॉडल उत्पन्न होता है।
