Mustaqil ish Mavzu: Mashinali o‘qitish jarayonining umumiy qadamlari Fan: Mashinali o’qitishga kirish

Kalit Xususiyatlar

• 
  Bir nechta CPU yoki GPU va hatto mobil operatsion tizimlarda ishlash uchun yaratilgan.
  
• 
  Python, C++ va Java kabi bir nechta dasturlash tillarini qo'llab-quvvatlaydi.
  
• 
  CNN yoki RNN kabi chuqur o'rganish arxitekturalarini yaratish va kengaytirish uchun turli xil API-larni o'z ichiga oladi.
  
• 
  Keras kabi intuitiv yuqori darajali API-larni ishtiyoq bilan bajaradi.
  
• 
  Darhol modelni takrorlash va oson disk raskadrovka.
  
• 
  Bulutda, mahalliy, brauzerda yoki qurilmada joylashtirishni qo'llab-quvvatlaydi.
  
• 
  O'rnatilgan ma'lumotlarni yuklash va qayta ishlash API.
  
• 
  Kuchli tadqiqot tajribalarini o'tkazish imkonini beradi.
  
• 
  Su’niy intelekt ilovalar: chatbotlar va virtual yordamchilar.
  
• 
  Computer Vision ilovalari: tasvirni aniqlash uchun modellar, o’bektni aniqlash va tasnifi.
  
• 
  Nutqni qayta ishlash dasturlari: inson ovozi va nutq namunalarini tahlil qilish tizimlari.
  
• 
  Tasvirga ishlov berish ilovalari: tasvirlarni o'zgartirish usullarini bajarish uchun modellar.
  

Python, Java, C++ yoki boshqa har qanday dastur uchun integratsiyalashgan rivojlanish muhitini oching dasturlash tili TensorFlow tomonidan qo'llaniladi va qo'llab-quvvatlanadi.

Endi katalogingizni get-pip.py faylini o'z ichiga olgan katalogga o'zgartiring va buyruqni kiriting: py get-pip.py

O'rnatish tugallangach, buyruqni kiriting: pip install - tensorflowni yangilang pip yordamida TensorFlow-ni o'rnatishni boshlash uchun.

Tensorflow-Dan Foydalanish

Ramkadan foydalanish uchun quyidagi buyruq yordamida kutubxonani import qilish kifoya:

Endi biz kutubxonaning turli modullariga kirish uchun "tf" buyrug'idan foydalanishingiz mumkin. Quyida TensorFlow-dan AI modellarini import qilish misoli keltirilgan.

2.2. Birinchidan, biz TensorFlow va Keras-ni modelimiz uchun zarur bo'lgan ma'lum parametrlar bilan birga import qilishimiz kerak. Quyidagi kod buni amalga oshirishga imkon beradi:

Bizning modelimiz uchun biz zich qatlamlarni import qilamiz. Bular to'liq bog'langan qatlamlardir; ya'ni qatlamdagi har bir tugun keyingi qatlamdagi boshqa tugun bilan to'liq bog'langan.
Biz ham import qilamiz aktivlashtirsh tugunlarga yuborilgan ma'lumotlarni masshtablash uchun zarur bo'lgan funksiya. Optimizatorlar yo'qotishlarni kamaytirish uchun ham import qilingan.
Adam mashhur optimallashtiruvchi bo'lib, u bilan birga modelimizni yangilash tugunlari hisoblarini yanada samaraliroq qiladi categorical_crossentropy - bu biz foydalanadigan yo'qotish funktsiyasi turi (haqiqiy va taxmin qilingan yorliq qiymatlari o'rtasidagi farqni hisoblaydi).
Modelimzini loyihalash
Men yaratayotgan modelda bitta kirish (16 birlik bilan), bitta yashirin (32 birlik bilan) va bitta chiqish (2 birlik bilan) qatlamlari mavjud. Bu raqamlar aniqlanmagan va to'liq berilgan muammoga bog'liq bo'ladi.
To'g'ri sonli birliklar va qatlamlarni o'rnatish amaliyot orqali qo'shimcha vaqtni yaxshilash mumkin bo'lgan jarayondir. Faollashtirish ma'lumotlarimizni tugun orqali o'tkazishdan oldin amalga oshiradigan masshtablash turiga mos keladi.
Relu va Softmax bu vazifa uchun mashhur faollashtirish funksiyalaridir.



Modelni o’rgatish
Bizning modelimiz ikki bosqichda o'qitiladi, birinchisi modelni kompilyatsiya qilish (modelni birlashtirish) va keyingisi modelni berilgan ma'lumotlar to'plamiga moslashtirish.
Buni model.compile() funksiyasidan keyin model.fit() funksiyasi yordamida amalga oshirish mumkin.