उदाहरण 1 मॉडल
फेरबदल डेटा
प्रशिक्षण से पहले हमेशा डेटा फेरबदल करें।
जब एक मॉडल को प्रशिक्षित किया जाता है, तो डेटा को छोटे सेट (बैच) में विभाजित किया जाता है। प्रत्येक बैच को तब मॉडल को खिलाया जाता है। मॉडल को फिर से वही डेटा प्राप्त करने से रोकने के लिए फेरबदल करना महत्वपूर्ण है। यदि एक ही डेटा का दो बार उपयोग किया जाता है, तो मॉडल डेटा को सामान्य बनाने और सही आउटपुट देने में सक्षम नहीं होगा। शफलिंग प्रत्येक बैच में बेहतर किस्म का डेटा देता है।
उदाहरण
tf.util.shuffle(data);
टेंसरफ्लो टेंसर
TensorFlow का उपयोग करने के लिए, इनपुट डेटा को टेंसर डेटा में बदलना होगा:
// Map x values to Tensor inputs
const inputs = values.map(obj => obj.x);
// Map y values to Tensor labels
const labels = values.map(obj => obj.y);
// Convert inputs and labels to 2d tensors
const inputTensor = tf.tensor2d(inputs, [inputs.length, 1]);
const labelTensor = tf.tensor2d(labels, [labels.length, 1]);
डेटा सामान्यीकरण
तंत्रिका नेटवर्क में उपयोग किए जाने से पहले डेटा को सामान्यीकृत किया जाना चाहिए।
न्यूनतम-अधिकतम का उपयोग करते हुए 0 - 1 की श्रेणी अक्सर संख्यात्मक डेटा के लिए सर्वोत्तम होती है:
const inputMin = inputTensor.min();
const inputMax = inputTensor.max();
const labelMin = labelTensor.min();
const labelMax = labelTensor.max();
const nmInputs = inputTensor.sub(inputMin).div(inputMax.sub(inputMin));
const nmLabels = labelTensor.sub(labelMin).div(labelMax.sub(labelMin));
टेंसरफ़्लो मॉडल
मशीन लर्निंग मॉडल एक एल्गोरिथम है जो इनपुट से आउटपुट उत्पन्न करता है।
यह उदाहरण ML मॉडल को परिभाषित करने के लिए 3 पंक्तियों का उपयोग करता है :
const model = tf.sequential();
model.add(tf.layers.dense({inputShape: [1], units: 1, useBias: true}));
model.add(tf.layers.dense({units: 1, useBias: true}));
अनुक्रमिक एमएल मॉडल
कॉन्स्ट मॉडल = tf. अनुक्रमिक (); एक अनुक्रमिक एमएल मॉडल बनाता है ।
अनुक्रमिक मॉडल में, इनपुट सीधे आउटपुट में प्रवाहित होता है। अन्य मॉडलों में कई इनपुट और कई आउटपुट हो सकते हैं। अनुक्रमिक सबसे आसान एमएल मॉडल है। यह आपको एक मॉडल परत दर परत बनाने की अनुमति देता है, वजन के साथ जो अगली परत के अनुरूप होता है।
TensorFlow Layers
मॉडल में दो परतों को जोड़ने के लिए model.add() का उपयोग किया जाता है।
tf.layer.dense एक परत प्रकार है जो ज्यादातर मामलों में काम करता है। यह अपने इनपुट को एक भार-मैट्रिक्स से गुणा करता है और परिणाम में एक संख्या (पूर्वाग्रह) जोड़ता है।
आकार और इकाइयाँ
inputShape: [1] क्योंकि हमारे पास 1 इनपुट (x = हॉर्सपावर) है।
इकाइयाँ: 1 भार मैट्रिक्स के आकार को परिभाषित करता है: प्रत्येक इनपुट के लिए 1 वजन (x मान)।
एक मॉडल का संकलन
निर्दिष्ट अनुकूलक और हानि फ़ंक्शन के साथ मॉडल संकलित करें :
model.compile({loss: 'meanSquaredError', optimizer:'sgd'});
संकलक sgd अनुकूलक का उपयोग करने के लिए तैयार है। इसका उपयोग करना आसान है और काफी प्रभावी है।
meanSquaredError वह फ़ंक्शन है जिसका उपयोग हम मॉडल भविष्यवाणियों और सच्चे मूल्यों की तुलना करने के लिए करना चाहते हैं।