TensorFlow 2.0 ji bo fêrbûna makîneyê û fêrbûna kûr a ku ji hêla Google ve hatî pêşve xistin çarçoveyek çavkaniya vekirî ya populer û berfireh e ku tê bikar anîn. Ew cûrbecûr taybetmendiyên sereke pêşkêşî dike ku wê hem karanîna hêsan hem jî hêzdar dike ji bo serîlêdanên cihêreng ên di warê îstîxbarata sûnî de. Di vê bersivê de, em ê van taybetmendiyên sereke bi hûrgulî vekolin, nirxa wan a dîdaktîk derxînin holê û zanyariyên rastîn pêşkêşî girîngiya wan bikin.
1. Darvekirina dilxwaz: Yek ji baştirînên mezin ên TensorFlow 2.0 pejirandina darvekirina dilxwazî wekî moda xwerû ye. Pêkanîna dilşewat rê dide nirxandina tavilê ya operasyonan, hêsankirina debugkirin û famkirina tevgera kodê hêsantir dike. Ew hewcedariya rûniştinek cihêreng ji holê radike û modela bernamekirinê ya giştî hêsan dike. Ev taybetmendî bi taybetî ji bo destpêkan bi qîmet e ji ber ku ew di dema nivîsandina modelên fêrbûna makîneyê de ezmûnek bêtir xwerû û înteraktîf peyda dike.
Mînak:
python import tensorflow as tf # Enable eager execution tf.compat.v1.enable_eager_execution() # Define a simple computation x = tf.constant([1, 2, 3]) y = tf.constant([4, 5, 6]) z = tf.multiply(x, y) print(z)
Karûabr:
tf.Tensor([ 4 10 18], shape=(3,), dtype=int32)
2. Yekbûna Keras: TensorFlow 2.0 bi Keras, API-ya tora neuralî ya astek bilind ve bi hişkî yekgirtî ye. Keras ji bo avakirina modelên fêrbûna kûr navgînek bikarhêner-heval û modular peyda dike. Bi TensorFlow 2.0, Keras naha ji bo TensorFlow API-a-asta bilind a fermî ye, ji bo diyarkirin, perwerdekirin û bicîhkirina modelan rêyek hêsan û domdar pêşkêşî dike. Ev yekbûn hêsaniya karanîna zêde dike û destûrê dide prototîp û ceribandina bilez.
Mînak:
python import tensorflow as tf from tensorflow.keras import layers # Define a simple sequential model using Keras model = tf.keras.Sequential() model.add(layers.Dense(64, activation='relu', input_shape=(784,))) model.add(layers.Dense(10, activation='softmax')) # Compile the model model.compile(optimizer=tf.keras.optimizers.Adam(), loss=tf.keras.losses.SparseCategoricalCrossentropy(), metrics=['accuracy']) # Train the model model.fit(x_train, y_train, epochs=10, validation_data=(x_val, y_val))
3. API-ya hêsankirî: TensorFlow 2.0 API-ya hêsankirî peyda dike ku tevliheviyê kêm dike û xwendinê çêtir dike. API ji nû ve hatî sêwirandin da ku bêtir xwerû û domdar be, fêrbûn û karanîna wê hêsantir dike. API-ya nû hewcedariya girêdanên kontrolê yên eşkere û berhevokên grafikan ji holê radike, kodê hêsan dike û boilerplate kêm dike. Ev sadebûn ji bo destpêkeran bikêr e ji ber ku ew kêşeya fêrbûnê kêm dike û rê dide pêşkeftina zûtir a modelên fêrbûna makîneyê.
Mînak:
python import tensorflow as tf # Define a simple computation using the simplified API x = tf.constant([1, 2, 3]) y = tf.constant([4, 5, 6]) z = tf.multiply(x, y) print(z)
Karûabr:
tf.Tensor([ 4 10 18], shape=(3,), dtype=int32)
4. Pêşvebirina Modela Pêşkeftî: TensorFlow 2.0 TensorFlow SavedModel, formatek serialîzasyonê ji bo modelên TensorFlow destnîşan dike. SavedModel hilanînê, barkirin û bicihkirina modelan li ser platform û hawîrdorên cihêreng hêsantir dike. Ew mîmariya modelê, guhêrbar û grafika hesabkirinê vedihewîne, ku rê dide parvekirin û xizmetkirina modela hêsan. Ev taybetmendî hem ji bo destpêk û hem jî ji bo bijîjkên xwedî ezmûn bi qîmet e, ji ber ku ew pêvajoya bicihkirina modelan di mîhengên hilberînê de hêsan dike.
Mînak:
python import tensorflow as tf # Save the model model.save('my_model') # Load the model loaded_model = tf.keras.models.load_model('my_model') # Use the loaded model for inference result = loaded_model.predict(input_data)
5. Daneyên TensorFlow: TensorFlow 2.0 modula TensorFlow Datasets (TFDS) peyda dike, ku pêvajoya barkirin û pêş-processing datasetan hêsan dike. TFDS berhevokek danûstendinên ku bi gelemperî têne bikar anîn, digel API-yên standardkirî ji bo gihîştin û manîpulekirina wan pêşkêşî dike. Ev taybetmendî bi taybetî ji bo destpêkan bikêr e ji ber ku ew hewcedariya pêş-pêvajoya daneya bi destan ji holê radike û rê dide ceribandina bilez a bi danehevên cihêreng.
Mînak:
python import tensorflow as tf import tensorflow_datasets as tfds # Load a dataset from TensorFlow Datasets dataset = tfds.load('mnist', split='train', shuffle_files=True) # Preprocess the dataset dataset = dataset.map(lambda x: (tf.cast(x['image'], tf.float32)/255.0, x['label'])) dataset = dataset.batch(32) # Train a model using the preprocessed dataset model.fit(dataset, epochs=10)
TensorFlow 2.0 gelek taybetmendiyên sereke pêşkêşî dike ku wê ji bo fêrbûna makîneyê çarçoveyek hêsan û hêzdar dike. Pejirandina darvekirina dilxwaz, entegrasyona bi Keras, API-ya hêsankirî, bicîhkirina modela çêtir, û TensorFlow Datasets ji bo pêşkeftina modelên fêrbûna makîneyê jîngehek berbiçav û bikêr peyda dike. Van taybetmendiyan nirxa dîdaktîk a TensorFlow 2.0 zêde dike, ku wê ji destpêkeran re bigihîne di heman demê de hewcedariyên bijîjkên bi ezmûn jî peyda dike.
Pirs û bersivên din ên vê dawiyê di derbarê Bingehîn TensorFlow EITC/AI/TFF:
- Meriv çawa dikare qatek binavkirî bikar bîne da ku bixweber axên rast ji bo nexşeyek nûnertiya peyvan wekî vektor destnîşan bike?
- Armanca berhevkirina max di CNN de çi ye?
- Pêvajoya derxistina taybetmendiyê di tora neuralî ya hevgirtî (CNN) de ji bo naskirina wêneyê çawa tê sepandin?
- Ma pêdivî ye ku ji bo modelên fêrbûna makîneyê yên ku li TensorFlow.js têne xebitandin fonksiyonek fêrbûna asynkron bikar bînin?
- Parametreya herî zêde ya peyvan a TensorFlow Keras Tokenizer API çi ye?
- Ma TensorFlow Keras Tokenizer API dikare were bikar anîn da ku peyvên herî pir caran bibîne?
- TOCO çi ye?
- Têkiliya di navbera çend serdeman de di modelek fêrbûna makîneyê de û rastbûna pêşbîniya ji xebitandina modelê de çi ye?
- Ma API-ya cîranên pakêtê di Fêrbûna Structured Neural of TensorFlow de li ser bingeha daneya grafika xwezayî danûstendinek perwerdehiya zêdekirî çêdike?
- API-ya cîranên pakêtê di Fêrbûna Structured Neural of TensorFlow de çi ye?
Pir pirs û bersivan di EITC/AI/TFF TensorFlow Fundamentals de bibînin