आइए इस ट्यूटोरियल को TensorFlow परिचय के साथ शुरू करें
TensorFlow क्या है?
TensorFlow मशीन लर्निंग एप्लिकेशन बनाने के लिए एक ओपन-सोर्स एंड-टू-एंड प्लेटफॉर्म है। यह एक प्रतीकात्मक गणित पुस्तकालय है जो प्रशिक्षण और गहन तंत्रिका नेटवर्क की खोज पर केंद्रित विभिन्न कार्यों को करने के लिए डेटाफ्लो और डिफरेंशियल प्रोग्रामिंग का उपयोग करता है। यह डेवलपर्स को विभिन्न उपकरणों, पुस्तकालयों और सामुदायिक संसाधनों का उपयोग करके मशीन लर्निंग एप्लिकेशन बनाने की अनुमति देता है।
वर्तमान में, दुनिया में सबसे प्रसिद्ध गहन शिक्षण पुस्तकालय Google का TensorFlow है। Google उत्पाद खोज इंजन, अनुवाद, छवि कैप्शनिंग या अनुशंसाओं को बेहतर बनाने के लिए अपने सभी उत्पादों में मशीन सीखने का उपयोग करता है।
एक ठोस उदाहरण देने के लिए, Google उपयोगकर्ता AI के साथ खोज को तेज़ और अधिक परिष्कृत कर सकते हैं। यदि उपयोगकर्ता किसी कीवर्ड को सर्च बार टाइप करता है, तो Google इस बारे में एक सिफारिश देता है कि अगला शब्द क्या हो सकता है।
Google उपयोगकर्ताओं को सबसे अच्छा अनुभव देने के लिए अपने बड़े डेटासेट का लाभ उठाने के लिए मशीन लर्निंग का उपयोग करना चाहता है। तीन अलग-अलग समूह मशीन सीखने का उपयोग करते हैं:
- शोधकर्ताओं
- डेटा वैज्ञानिकों
- प्रोग्रामर।
वे सभी एक ही टूलसेट का उपयोग एक-दूसरे के साथ सहयोग करने और अपनी दक्षता में सुधार करने के लिए कर सकते हैं।
Google के पास कोई डेटा नहीं है; उनके पास दुनिया का सबसे विशाल कंप्यूटर है, इसलिए टेन्सर फ्लो को पैमाने पर बनाया गया था। TensorFlow मशीन सीखने और गहन तंत्रिका नेटवर्क अनुसंधान में तेजी लाने के लिए Google ब्रेन टीम द्वारा विकसित एक पुस्तकालय है।
यह कई सीपीयू या जीपीयू और यहां तक कि मोबाइल ऑपरेटिंग सिस्टम पर चलने के लिए बनाया गया था, और इसमें पायथन, सी ++ या जावा जैसी कई भाषाओं में कई रैपर हैं।
इस TensorFlow ट्यूटोरियल में, आप सीखेंगे
- TensorFlow क्या है?
- TensorFlow का इतिहास
- कैसे TensorFlow काम करता है
- TensorFlow वास्तुकला
- Tensorflow कहाँ चल सकता है?
- TensorFlow के घटकों का परिचय
- TensorFlow क्यों लोकप्रिय है?
- TensorFlow द्वारा समर्थित प्रमुख एल्गोरिदम की सूची
- सरल TensorFlow उदाहरण
- TensorFlow में डेटा लोड करने के लिए विकल्प
- Tensorflow पाइपलाइन बनाएँ
TensorFlow का इतिहास
कुछ साल पहले, बड़ी मात्रा में डेटा देने पर सभी अन्य मशीन लर्निंग एल्गोरिदम को बेहतर बनाना शुरू किया। Google ने देखा कि वह अपनी सेवाओं को बेहतर बनाने के लिए इन गहरे तंत्रिका नेटवर्क का उपयोग कर सकता है:
- जीमेल लगीं
- तस्वीर
- गूगल सर्च इंजन
वे शोधकर्ताओं और डेवलपर्स को एआई मॉडल पर एक साथ काम करने देने के लिए टेंसरफ़्लो नामक एक फ्रेमवर्क का निर्माण करते हैं। एक बार विकसित और स्केल होने के बाद, यह बहुत से लोगों को इसका उपयोग करने की अनुमति देता है।
यह पहली बार 2015 के अंत में सार्वजनिक किया गया था, जबकि पहला स्थिर संस्करण 2017 में दिखाई दिया था। यह अपाचे ओपन सोर्स लाइसेंस के तहत खुला स्रोत है। आप इसका उपयोग कर सकते हैं, इसे संशोधित कर सकते हैं और संशोधित संस्करण को Google को कुछ भी भुगतान किए बिना शुल्क के लिए पुनर्वितरित कर सकते हैं।
इस TensorFlow डीप लर्निंग ट्यूटोरियल के आगे, हम TensorFlow आर्किटेक्चर के बारे में जानेंगे और TensorFlow कैसे काम करता है।
कैसे TensorFlow काम करता है
TensorFlow आपको डेटाप्रवाह रेखांकन और संरचनाएँ बनाने में सक्षम बनाता है, ताकि यह परिभाषित किया जा सके कि डेटा एक ग्राफ के माध्यम से इनपुट को बहुआयामी सरणी के रूप में ले जाता है जिसे Tensor कहा जाता है। यह आपको इन आदानों पर किए जाने वाले संचालन का एक फ्लोचार्ट बनाने की अनुमति देता है, जो एक छोर पर जाता है और दूसरे छोर पर आउटपुट के रूप में आता है।
TensorFlow वास्तुकला
तीन भागों में काम करता है:
- डेटा को रोकना
- मॉडल बनाएं
- मॉडल का प्रशिक्षण और अनुमान लगाएं
यह Tensorflow कहा जाता है क्योंकि यह एक बहु-आयामी सरणी के रूप में इनपुट लेता है, के रूप में भी जाना जाता है tensors । आप एक प्रकार के संचालन का प्रवाह निर्माण कर सकते हैं (जिसे ग्राफ कहा जाता है) जो आप उस इनपुट पर करना चाहते हैं। इनपुट एक छोर पर जाता है, और फिर यह कई ऑपरेशन की इस प्रणाली से बहता है और आउटपुट के रूप में दूसरे छोर से बाहर आता है।
यही कारण है कि इसे टेन्सरफ्लो कहा जाता है क्योंकि टेंसर इसमें चला जाता है और संचालन की सूची से गुजरता है, और फिर यह दूसरी तरफ निकलता है।
Tensorflow कहाँ चल सकता है?
TensorFlow हार्डवेयर, और सॉफ्टवेयर आवश्यकताओं को वर्गीकृत किया जा सकता है
विकास का चरण: यह तब है जब आप मोड को प्रशिक्षित करते हैं। प्रशिक्षण आमतौर पर आपके डेस्कटॉप या लैपटॉप पर किया जाता है।
रन फेज या इंट्रेंस फेज: एक बार ट्रेनिंग हो जाने के बाद कई अलग-अलग प्लेटफॉर्म पर टेन्सरफ्लो चलाया जा सकता है। आप इसे चला सकते हैं
- डेस्कटॉप विंडोज, मैकओएस या लिनक्स चला रहा है
- वेब सेवा के रूप में क्लाउड
- आईओएस और एंड्रॉइड जैसे मोबाइल डिवाइस
आप इसे कई मशीनों पर प्रशिक्षित कर सकते हैं फिर आप इसे प्रशिक्षित मॉडल के होते ही एक अलग मशीन पर चला सकते हैं।
मॉडल को जीपीयू के साथ-साथ सीपीयू पर भी प्रशिक्षित और इस्तेमाल किया जा सकता है। जीपीयू को शुरू में वीडियो गेम के लिए डिजाइन किया गया था। 2010 के अंत में, स्टैनफोर्ड के शोधकर्ताओं ने पाया कि GPU मैट्रिक्स के संचालन और बीजगणित में भी बहुत अच्छा था ताकि यह इस प्रकार की गणनाओं को करने के लिए उन्हें बहुत तेज़ बना दे। डीप लर्निंग बहुत सारे मैट्रिक्स गुणा पर निर्भर करता है। TensorFlow मैट्रिक्स गुणा की गणना में बहुत तेज है क्योंकि यह C ++ में लिखा गया है। हालाँकि इसे C ++ में लागू किया गया है, लेकिन TensorFlow को मुख्य रूप से पायथन द्वारा अन्य भाषाओं में एक्सेस और नियंत्रित किया जा सकता है।
अंत में, TensorFlow की एक महत्वपूर्ण विशेषता TensorBoard है। TensorBoard रेखांकन और नेत्रहीन मॉनिटर करने में सक्षम बनाता है कि TensorFlow क्या कर रहा है।
TensorFlow के घटकों का परिचय
टेन्सर
Tensorflow का नाम सीधे इसके मूल ढांचे से लिया गया है: Tensor । Tensorflow में, सभी संगणनाओं में टेंसर्स शामिल होते हैं। एक टेंसर एन-डाइमेंशन का एक वेक्टर या मैट्रिक्स है जो सभी प्रकार के डेटा का प्रतिनिधित्व करता है। एक टेंसर में सभी मान एक ज्ञात (या आंशिक रूप से ज्ञात) आकार के साथ समान डेटा प्रकार रखते हैं । डेटा का आकार मैट्रिक्स या सरणी की आयामीता है।
एक टेंसर इनपुट डेटा या एक संगणना के परिणाम से उत्पन्न हो सकता है। TensorFlow में, सभी ऑपरेशन एक ग्राफ के अंदर किए जाते हैं । ग्राफ गणना का एक सेट है जो क्रमिक रूप से होता है। प्रत्येक ऑपरेशन को एक ऑप नोड कहा जाता है और एक दूसरे से जुड़े होते हैं।
ग्राफ ऑप्स और कनेक्शन को नोड्स के बीच रेखांकित करता है। हालाँकि, यह मान प्रदर्शित नहीं करता है। नोड्स का किनारा टेन्सर है, अर्थात, डेटा के साथ ऑपरेशन को पॉप्युलेट करने का एक तरीका है।
रेखांकन
TensorFlow एक ग्राफ फ्रेमवर्क का उपयोग करता है। ग्राफ इकट्ठा होता है और प्रशिक्षण के दौरान किए गए सभी श्रृंखला गणनाओं का वर्णन करता है। ग्राफ के बहुत सारे फायदे हैं:
- यह कई सीपीयू या जीपीयू और यहां तक कि मोबाइल ऑपरेटिंग सिस्टम पर चलने के लिए किया गया था
- ग्राफ की पोर्टेबिलिटी तत्काल या बाद में उपयोग के लिए कम्प्यूटेशन को संरक्षित करने की अनुमति देती है। भविष्य में निष्पादित होने के लिए ग्राफ को बचाया जा सकता है।
- ग्राफ़ में सभी संगणनाएँ टेंसरों को एक साथ जोड़कर की जाती हैं
- एक टेंसर में एक नोड और एक किनारा होता है। नोड गणितीय संचालन करता है और एक समापन बिंदु आउटपुट उत्पन्न करता है। किनारों को नोड्स के बीच इनपुट / आउटपुट संबंधों की व्याख्या करते हैं।
TensorFlow क्यों लोकप्रिय है?
TensorFlow सभी का सबसे अच्छा पुस्तकालय है क्योंकि यह सभी के लिए सुलभ होने के लिए बनाया गया है। Tensorflow पुस्तकालय में CNN या RNN जैसे बड़े पैमाने पर गहन शिक्षण वास्तुकला में निर्मित विभिन्न API शामिल हैं। TensorFlow ग्राफ संगणना पर आधारित है; यह डेवलपर को तेंसोरबोड के साथ तंत्रिका नेटवर्क के निर्माण की कल्पना करने की अनुमति देता है। यह उपकरण प्रोग्राम को डीबग करने के लिए सहायक है। अंत में, Tensorflow को बड़े पैमाने पर तैनात किया जाता है। यह CPU और GPU पर चलता है।
अन्य गहन शिक्षण ढांचे की तुलना में टेंसरफ्लो GitHub पर सबसे बड़ी लोकप्रियता को आकर्षित करता है।
TensorFlow द्वारा समर्थित प्रमुख एल्गोरिदम की सूची
नीचे समर्थित TensorFlow एल्गोरिदम सूची है:
वर्तमान में, TensorFlow 1.10 के लिए एक अंतर्निहित API है:
- रैखिक प्रतिगमन: tf.estimator.LinearRegressor
- वर्गीकरण: tf.estimator.LinearClassifier
- गहन शिक्षण वर्गीकरण: tf.estimator.DNNClassifier
- गहरा सीखना और गहरा होना: tf.estimator.DNNLinearCombinedClassifier
- बूस्टर ट्री रिग्रेशन: tf.estimator.BoostedTreesRegressor
- बूस्टेड ट्री वर्गीकरण: tf.estimator.BoostedTreesClassifier
सरल TensorFlow उदाहरण
import numpy as npimport tensorflow as tf
कोड की पहली दो पंक्ति में, हमने tf के रूप में टेंसरफ़्लो आयात किया है। पायथन के साथ, एक पुस्तकालय के लिए एक संक्षिप्त नाम का उपयोग करना एक आम बात है। इसका फायदा पुस्तकालय का पूरा नाम टाइप करने से बचना है जब हमें इसका उपयोग करने की आवश्यकता होती है। उदाहरण के लिए, हम tsorflow को tf के रूप में आयात कर सकते हैं, और tf को कॉल कर सकते हैं, जब हम एक tanorflow फ़ंक्शन का उपयोग करना चाहते हैं
चलो सरल TensorFlow उदाहरण के साथ Tensorflow के प्राथमिक कार्यप्रवाह अभ्यास करते हैं। आइए एक कम्प्यूटेशनल ग्राफ बनाएं जो दो संख्याओं को एक साथ गुणा करता है।
उदाहरण के दौरान, हम X_1 और X_2 को एक साथ गुणा करेंगे। Tensorflow ऑपरेशन को जोड़ने के लिए एक नोड बनाएगी। हमारे उदाहरण में, इसे गुणा कहा जाता है। जब ग्राफ़ निर्धारित किया जाता है, तो Tensorflow कम्प्यूटेशनल इंजन X_1 और X_2 को एक साथ गुणा करेंगे।
TensorFlow उदाहरण
अंत में, हम एक TensorFlow सत्र चलाएंगे जो X_1 और X_2 के मानों के साथ कम्प्यूटेशनल ग्राफ़ को चलाएगा और गुणन के परिणाम को प्रिंट करेगा।
X_1 और X_2 इनपुट नोड्स को परिभाषित करें। जब हम Tensorflow में एक नोड बनाते हैं, तो हमें यह चुनना होगा कि किस प्रकार का नोड बनाना है। एक्स 1 और एक्स 2 नोड एक प्लेसहोल्डर नोड होंगे। जब भी हम गणना करते हैं, तो प्लेसहोल्डर हर बार एक नया मान प्रदान करता है। हम उन्हें TF डॉट प्लेसहोल्डर नोड के रूप में बनाएंगे।
चरण 1: चर को परिभाषित करें
X_1 = tf.placeholder(tf.float32, name = "X_1")X_2 = tf.placeholder(tf.float32, name = "X_2")
जब हम एक प्लेसहोल्डर नोड बनाते हैं, तो हमें डेटा टाइप में पास होना होगा, यहाँ संख्याएँ जोड़ेंगे ताकि हम एक फ़्लोटिंग-पॉइंट डेटा प्रकार का उपयोग कर सकें, चलो tf.float32 का उपयोग करें। हमें इस नोड को एक नाम देने की आवश्यकता है। यह नाम तब दिखाई देगा जब हम अपने मॉडल के चित्रमय दृश्यों को देखेंगे। आइए इस नोड X_1 को X_1 के मान के साथ नाम वाले पैरामीटर में पास करके नाम दें और अब X_2 को उसी तरह परिभाषित करते हैं। X_2।
चरण 2: गणना को परिभाषित करें
multiply = tf.multiply(X_1, X_2, name = "multiply")
अब हम उस नोड को परिभाषित कर सकते हैं जो गुणा ऑपरेशन करता है। Tensorflow में हम tf.multiply नोड बनाकर कर सकते हैं।
हम X_1 और X_2 नोड्स को गुणा नोड में पास करेंगे। यह टेंसरफ्लो को कम्प्यूटेशनल ग्राफ में उन नोड्स को जोड़ने के लिए कहता है, इसलिए हम इसे x और y से मान खींचने के लिए कह रहे हैं और परिणाम को गुणा करें। आइए गुणन नोड को भी नाम गुणा करें। यह हमारे सरल कम्प्यूटेशनल ग्राफ के लिए पूरी परिभाषा है।
चरण 3: ऑपरेशन निष्पादित करें
ग्राफ़ में संचालन को निष्पादित करने के लिए, हमें एक सत्र बनाना होगा। Tensorflow में, यह tf.Session () द्वारा किया जाता है। अब जब हमारे पास एक सत्र है तो हम सत्र को कॉल करके हमारे कम्प्यूटेशनल ग्राफ पर संचालन चलाने के लिए कह सकते हैं। गणना को चलाने के लिए, हमें रन का उपयोग करने की आवश्यकता है।
जब अतिरिक्त ऑपरेशन चलता है, तो यह देखने वाला है कि इसे X_1 और X_2 नोड्स के मानों को हथियाने की जरूरत है, इसलिए हमें X_1 और X_2 के लिए मानों को भी फीड करना होगा। हम feed_dict नामक पैरामीटर की आपूर्ति करके ऐसा कर सकते हैं। हम X_1 के लिए 1,2,3 और X_2 के लिए 4,5,6 मान पास करते हैं।
हम प्रिंट (परिणाम) के साथ परिणाम प्रिंट करते हैं। हमें 1x4, 2x5 और 3x6 के लिए 4, 10 और 18 देखना चाहिए
X_1 = tf.placeholder(tf.float32, name = "X_1")X_2 = tf.placeholder(tf.float32, name = "X_2")multiply = tf.multiply(X_1, X_2, name = "multiply")with tf.Session() as session:result = session.run(multiply, feed_dict={X_1:[1,2,3], X_2:[4,5,6]})print(result)
[ 4. 10. 18.]
TensorFlow में डेटा लोड करने के लिए विकल्प
मशीन लर्निंग एल्गोरिदम को प्रशिक्षित करने से पहले पहला कदम डेटा लोड करना है। डेटा लोड करने के दो तरीके हैं:
1. मेमोरी में डेटा लोड करें: यह सबसे सरल तरीका है। आप एक ही सरणी के रूप में अपने सभी डेटा को मेमोरी में लोड करते हैं। आप पायथन कोड लिख सकते हैं। कोड की यह लाइनें Tensorflow से असंबंधित हैं।
2. टेंसरफ्लो डाटा पाइपलाइन। Tensorflow में अंतर्निहित API है जो आपको डेटा लोड करने, ऑपरेशन करने और मशीन लर्निंग एल्गोरिदम को आसानी से फीड करने में मदद करता है। यह विधि बहुत अच्छी तरह से काम करती है, खासकर जब आपके पास एक बड़ा डेटासेट होता है। मिसाल के तौर पर, इमेज रिकॉर्ड बहुत बड़ा माना जाता है और यह मेमोरी में फिट नहीं होता है। डेटा पाइपलाइन अपने आप मेमोरी को मैनेज करती है
क्या समाधान का उपयोग करने के लिए?
मेमोरी में डेटा लोड करें
यदि आपका डेटासेट बहुत बड़ा नहीं है, यानी 10 गीगाबाइट से कम है, तो आप पहली विधि का उपयोग कर सकते हैं। डेटा मेमोरी में फिट हो सकता है। आप CSV फ़ाइलों को आयात करने के लिए पंडों नामक एक प्रसिद्ध पुस्तकालय का उपयोग कर सकते हैं। आप अगले ट्यूटोरियल में पांडा के बारे में अधिक जानेंगे।
Tensorflow पाइपलाइन के साथ डेटा लोड करें
यदि आपके पास एक बड़ा डेटासेट है, तो दूसरा तरीका सबसे अच्छा काम करता है। उदाहरण के लिए, यदि आपके पास 50 गीगाबाइट का डेटासेट है, और आपके कंप्यूटर में केवल 16 गीगाबाइट मेमोरी है, तो मशीन क्रैश हो जाएगी।
इस स्थिति में, आपको एक Tensorflow पाइपलाइन बनाने की आवश्यकता है। पाइपलाइन बैच, या छोटे चंक में डेटा लोड करेगी। प्रत्येक बैच को पाइपलाइन से धकेला जाएगा और प्रशिक्षण के लिए तैयार किया जाएगा। एक पाइपलाइन का निर्माण एक उत्कृष्ट समाधान है क्योंकि यह आपको समानांतर कंप्यूटिंग का उपयोग करने की अनुमति देता है। इसका मतलब है कि Tensorflow कई सीपीयू में मॉडल को प्रशिक्षित करेगा। यह शक्तिशाली तंत्रिका नेटवर्क के प्रशिक्षण के लिए गणना और परमिट को बढ़ावा देता है।
आप अगले ट्यूटोरियल में देखेंगे कि कैसे अपने तंत्रिका नेटवर्क को खिलाने के लिए एक महत्वपूर्ण पाइपलाइन का निर्माण किया जाए।
संक्षेप में, यदि आपके पास एक छोटा डेटासेट है, तो आप पंडों के पुस्तकालय के साथ मेमोरी में डेटा लोड कर सकते हैं।
यदि आपके पास एक बड़ा डेटासेट है और आप कई सीपीयू का उपयोग करना चाहते हैं, तो आप टेंसरफ्लो पाइपलाइन के साथ काम करने में अधिक सहज होंगे।
Tensorflow पाइपलाइन बनाएँ
पहले के उदाहरण में, हम X_1 और X_2 के लिए मैन्युअल रूप से तीन मान जोड़ते हैं। अब हम देखेंगे कि डेटा को Tensorflow में कैसे लोड किया जाए।
चरण 1) डेटा बनाएँ
सबसे पहले, आइए दो यादृच्छिक मूल्यों को उत्पन्न करने के लिए संख्यात्मक पुस्तकालय का उपयोग करें।
import numpy as npx_input = np.random.sample((1,2))print(x_input)
[[0.8835775 0.23766977]]
चरण 2) प्लेसहोल्डर बनाएं
पिछले उदाहरण की तरह, हम एक्स नाम के साथ एक प्लेसहोल्डर बनाते हैं। हमें टेंसर के आकार को स्पष्ट रूप से निर्दिष्ट करने की आवश्यकता है। मामले में, हम केवल दो मानों के साथ एक सरणी लोड करेंगे। हम आकृति को आकार के रूप में लिख सकते हैं = [1,2]
# using a placeholderx = tf.placeholder(tf.float32, shape=[1,2], name = 'X')
चरण 3) डेटासेट विधि को परिभाषित करें
अगला, हमें डेटासेट को परिभाषित करने की आवश्यकता है जहां हम प्लेसहोल्डर x के मान को पॉप्युलेट कर सकते हैं। हमें tf.data.Dataset.from_tensor_slices विधि का उपयोग करने की आवश्यकता है
dataset = tf.data.Dataset.from_tensor_slices(x)
चरण 4) पाइपलाइन बनाएं
चरण चार में, हमें उस पाइपलाइन को शुरू करने की आवश्यकता है जहां डेटा प्रवाह होगा। हमें make_initializable_iterator के साथ एक पुनरावृत्ति बनाने की आवश्यकता है। हम इसे इटरेटर नाम देते हैं। फिर हमें डेटा के अगले बैच को खिलाने के लिए इस पुनरावृत्त को कॉल करना होगा, get_next। हम इस स्टेप को get_next नाम देते हैं। ध्यान दें कि हमारे उदाहरण में, केवल दो मूल्यों के साथ डेटा का एक बैच है।
iterator = dataset.make_initializable_iterator()get_next = iterator.get_next()
चरण 5) ऑपरेशन निष्पादित करें
अंतिम चरण पिछले उदाहरण के समान है। हम एक सत्र शुरू करते हैं, और हम ऑपरेशन पुनरावृत्ति चलाते हैं। हम feed_dict को सुन्न द्वारा उत्पन्न मूल्य के साथ खिलाते हैं। ये दो मान प्लेसहोल्डर x को आबाद करेंगे। फिर हम परिणाम प्रिंट करने के लिए get_next चलाते हैं।
with tf.Session() as sess:# feed the placeholder with datasess.run(iterator.initializer, feed_dict={ x: x_input })print(sess.run(get_next)) # output [ 0.52374458 0.71968478]
[0.8835775 0.23766978]
सारांश
TensorFlow अर्थ: TensorFlow इन हाल के वर्षों में सबसे प्रसिद्ध गहन शिक्षण पुस्तकालय है। TensorFlow का उपयोग करने वाला व्यवसायी CNN, RNN या सरल कृत्रिम तंत्रिका नेटवर्क जैसी किसी भी गहरी शिक्षण संरचना का निर्माण कर सकता है।
TensorFlow का उपयोग ज्यादातर शिक्षाविदों, स्टार्टअप्स और बड़ी कंपनियों द्वारा किया जाता है। Google TensorFlow का उपयोग जीमेल, फोटो और Google सर्च इंजन सहित लगभग सभी Google दैनिक उत्पादों में करता है।
शोधकर्ताओं और उत्पाद डेवलपर्स के बीच अंतर को भरने के लिए Google ब्रेन टीम ने TensorFlow विकसित किया है। 2015 में, उन्होंने TensorFlow को सार्वजनिक किया; यह तेजी से लोकप्रियता में बढ़ रहा है। आजकल, TensorFlow GitHub पर सबसे अधिक रिपॉजिटरी के साथ गहन शिक्षण पुस्तकालय है।
प्रैक्टिशनर Tensorflow का उपयोग करते हैं क्योंकि यह बड़े पैमाने पर तैनात करना आसान है। यह क्लाउड में या iOs और Android जैसे मोबाइल उपकरणों पर काम करने के लिए बनाया गया है।
Tensorflow एक सत्र में काम करता है। प्रत्येक सत्र को विभिन्न संगणना वाले ग्राफ द्वारा परिभाषित किया जाता है। एक साधारण उदाहरण संख्या से गुणा करने के लिए हो सकता है। Tensorflow में, तीन चरणों की आवश्यकता होती है:
- चर को परिभाषित करें
X_1 = tf.placeholder(tf.float32, name = "X_1")X_2 = tf.placeholder(tf.float32, name = "X_2")
- गणना को परिभाषित करें
multiply = tf.multiply(X_1, X_2, name = "multiply")
- ऑपरेशन निष्पादित करें
with tf.Session() as session:result = session.run(multiply, feed_dict={X_1:[1,2,3], X_2:[4,5,6]})print(result)
Tensorflow में एक सामान्य अभ्यास डेटा लोड करने के लिए एक पाइपलाइन बनाना है। यदि आप इन पाँच चरणों का पालन करते हैं, तो आप डेटा को TensorFLow में लोड कर पाएंगे
- डेटा बनाएँ
import numpy as npx_input = np.random.sample((1,2))print(x_input)
- प्लेसहोल्डर बनाएं
x = tf.placeholder(tf.float32, shape=[1,2], name = 'X')
- डेटासेट विधि को परिभाषित करें
dataset = tf.data.Dataset.from_tensor_slices(x)
- पाइपलाइन बनाएं
iterator = dataset.make_initializable_iterator() get_next = iterator.get_next()
- कार्यक्रम निष्पादित करें
with tf.Session() as sess:sess.run(iterator.initializer, feed_dict={ x: x_input })print(sess.run(get_next))