ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಇತ್ತೀಚಿನ ವರ್ಷಗಳಲ್ಲಿ ಗಮನಾರ್ಹ ಪ್ರಮಾಣದ ಜನಪ್ರಿಯತೆಯನ್ನು ಗಳಿಸಿದೆ.
ನೀವು ಸಾಮಾನ್ಯವಾಗಿ ಸಾಫ್ಟ್ವೇರ್ ಇಂಜಿನಿಯರ್, ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನಿ ಅಥವಾ ಡೇಟಾ ಸೈನ್ಸ್ ಉತ್ಸಾಹಿಗಳಾಗಿದ್ದರೆ, ಈ ಕ್ಷೇತ್ರದಿಂದ ಒದಗಿಸಲಾದ ಇಮೇಜ್ ಪ್ರೊಸೆಸಿಂಗ್, ಪ್ಯಾಟರ್ನ್ ರೆಕಗ್ನಿಷನ್ ಮತ್ತು ಆಬ್ಜೆಕ್ಟ್ ಡಿಟೆಕ್ಷನ್ಗಳ ಅದ್ಭುತ ಅಪ್ಲಿಕೇಶನ್ಗಳಿಂದ ನೀವು ಬಹುಶಃ ಆಸಕ್ತಿ ಹೊಂದಿರುತ್ತೀರಿ.
ನೀವು ಬಹುಶಃ ಕೇಳಿದ AI ಯ ಪ್ರಮುಖ ಉಪಕ್ಷೇತ್ರವೆಂದರೆ ಡೀಪ್ ಲರ್ನಿಂಗ್. ಈ ಕ್ಷೇತ್ರವು ಶಕ್ತಿಯುತ ಅಲ್ಗಾರಿದಮ್ಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ (ಕಂಪ್ಯೂಟರ್ ಪ್ರೋಗ್ರಾಂ ಸೂಚನೆಗಳು) ಮಾನವನ ಮೆದುಳಿನ ಕಾರ್ಯಚಟುವಟಿಕೆಗಳ ಮಾದರಿಯಲ್ಲಿ ನ್ಯೂರಾಲ್ ನೆಟ್ವರ್ಕ್ಸ್.
ಈ ಲೇಖನದಲ್ಲಿ, ನಾವು ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳ ಪರಿಕಲ್ಪನೆಯ ಮೇಲೆ ಹೋಗುತ್ತೇವೆ ಮತ್ತು ಈ ಮಾದರಿಗಳನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸುವುದು, ಕಂಪೈಲ್ ಮಾಡುವುದು, ಹೊಂದಿಸುವುದು ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು ಪೈಥಾನ್.
ನ್ಯೂರಾಲ್ ನೆಟ್ವರ್ಕ್ಸ್
ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು ಅಥವಾ ಎನ್ಎನ್ಗಳು ಮಾನವ ಮೆದುಳಿನ ಜೈವಿಕ ಚಟುವಟಿಕೆಯ ಮಾದರಿಯ ಕ್ರಮಾವಳಿಗಳ ಸರಣಿಗಳಾಗಿವೆ. ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು ನೋಡ್ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ, ಇದನ್ನು ನ್ಯೂರಾನ್ಗಳು ಎಂದೂ ಕರೆಯುತ್ತಾರೆ.
ಲಂಬ ನೋಡ್ಗಳ ಸಂಗ್ರಹವನ್ನು ಲೇಯರ್ಗಳು ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಮಾದರಿಯು ಒಂದು ಇನ್ಪುಟ್, ಒಂದು ಔಟ್ಪುಟ್ ಮತ್ತು ಹಲವಾರು ಗುಪ್ತ ಪದರಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಪ್ರತಿಯೊಂದು ಪದರವು ನೋಡ್ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಇದನ್ನು ನ್ಯೂರಾನ್ಗಳು ಎಂದೂ ಕರೆಯುತ್ತಾರೆ, ಅಲ್ಲಿ ಲೆಕ್ಕಾಚಾರಗಳು ನಡೆಯುತ್ತವೆ.
ಕೆಳಗಿನ ರೇಖಾಚಿತ್ರದಲ್ಲಿ, ವಲಯಗಳು ನೋಡ್ಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ ಮತ್ತು ನೋಡ್ಗಳ ಲಂಬ ಸಂಗ್ರಹವು ಪದರಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಈ ಮಾದರಿಯಲ್ಲಿ ಮೂರು ಪದರಗಳಿವೆ.
ಒಂದು ಪದರದ ನೋಡ್ಗಳು ಕೆಳಗಿನಂತೆ ಪ್ರಸರಣ ಮಾರ್ಗಗಳ ಮೂಲಕ ಮುಂದಿನ ಪದರಕ್ಕೆ ಸಂಪರ್ಕ ಹೊಂದಿವೆ.
ನಮ್ಮ ಡೇಟಾಸೆಟ್ ಲೇಬಲ್ ಮಾಡಲಾದ ಡೇಟಾವನ್ನು ಒಳಗೊಂಡಿದೆ. ಇದರರ್ಥ ಪ್ರತಿ ಡೇಟಾ ಘಟಕಕ್ಕೆ ನಿರ್ದಿಷ್ಟ ಹೆಸರಿನ ಮೌಲ್ಯವನ್ನು ನಿಗದಿಪಡಿಸಲಾಗಿದೆ.
ಆದ್ದರಿಂದ ಪ್ರಾಣಿ ವರ್ಗೀಕರಣದ ಡೇಟಾಸೆಟ್ಗಾಗಿ ನಾವು ಬೆಕ್ಕುಗಳು ಮತ್ತು ನಾಯಿಗಳ ಚಿತ್ರಗಳನ್ನು ನಮ್ಮ ಡೇಟಾದಂತೆ ಹೊಂದಿದ್ದೇವೆ, ನಮ್ಮ ಲೇಬಲ್ಗಳಾಗಿ 'ಬೆಕ್ಕು' ಮತ್ತು 'ನಾಯಿ'.
ನಮ್ಮ ಮಾದರಿಗೆ ಅರ್ಥವಾಗುವಂತೆ ಲೇಬಲ್ಗಳನ್ನು ಸಂಖ್ಯಾತ್ಮಕ ಮೌಲ್ಯಗಳಿಗೆ ಪರಿವರ್ತಿಸುವ ಅಗತ್ಯವಿದೆ ಎಂಬುದನ್ನು ಗಮನಿಸುವುದು ಮುಖ್ಯ, ಆದ್ದರಿಂದ ನಮ್ಮ ಪ್ರಾಣಿಗಳ ಲೇಬಲ್ಗಳು ಬೆಕ್ಕಿಗೆ '0' ಮತ್ತು ನಾಯಿಗೆ '1' ಆಗುತ್ತವೆ. ಡೇಟಾ ಮತ್ತು ಲೇಬಲ್ಗಳನ್ನು ಮಾದರಿಯ ಮೂಲಕ ರವಾನಿಸಲಾಗುತ್ತದೆ.
ಕಲಿಕೆ
ಒಂದು ಸಮಯದಲ್ಲಿ ಒಂದು ಘಟಕದ ಮಾದರಿಗೆ ಡೇಟಾವನ್ನು ನೀಡಲಾಗುತ್ತದೆ. ಈ ಡೇಟಾವನ್ನು ಭಾಗಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ ಮತ್ತು ಮಾದರಿಯ ಪ್ರತಿ ನೋಡ್ ಮೂಲಕ ರವಾನಿಸಲಾಗಿದೆ. ನೋಡ್ಗಳು ಈ ಭಾಗಗಳ ಮೇಲೆ ಗಣಿತದ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ನಡೆಸುತ್ತವೆ.
ಈ ಟ್ಯುಟೋರಿಯಲ್ಗಾಗಿ ನೀವು ಗಣಿತದ ಕಾರ್ಯಗಳು ಅಥವಾ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳಬೇಕಾಗಿಲ್ಲ, ಆದರೆ ಈ ಮಾದರಿಗಳು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎಂಬುದರ ಕುರಿತು ಸಾಮಾನ್ಯ ಕಲ್ಪನೆಯನ್ನು ಹೊಂದಿರುವುದು ಮುಖ್ಯ. ಒಂದು ಪದರದಲ್ಲಿ ಲೆಕ್ಕಾಚಾರಗಳ ಸರಣಿಯ ನಂತರ, ಡೇಟಾವನ್ನು ಮುಂದಿನ ಪದರಕ್ಕೆ ರವಾನಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಹೀಗೆ.
ಒಮ್ಮೆ ಪೂರ್ಣಗೊಂಡ ನಂತರ, ನಮ್ಮ ಮಾದರಿಯು ಔಟ್ಪುಟ್ ಲೇಯರ್ನಲ್ಲಿ ಡೇಟಾ ಲೇಬಲ್ ಅನ್ನು ಊಹಿಸುತ್ತದೆ (ಉದಾಹರಣೆಗೆ, ಪ್ರಾಣಿ ವರ್ಗೀಕರಣದ ಸಮಸ್ಯೆಯಲ್ಲಿ ನಾವು ಬೆಕ್ಕಿಗೆ '0' ಭವಿಷ್ಯವನ್ನು ಪಡೆಯುತ್ತೇವೆ).
ಮಾದರಿಯು ನಂತರ ಈ ಊಹಿಸಲಾದ ಮೌಲ್ಯವನ್ನು ನಿಜವಾದ ಲೇಬಲ್ ಮೌಲ್ಯದೊಂದಿಗೆ ಹೋಲಿಸಲು ಮುಂದುವರಿಯುತ್ತದೆ.
ಮೌಲ್ಯಗಳು ಹೊಂದಾಣಿಕೆಯಾದರೆ, ನಮ್ಮ ಮಾದರಿಯು ಮುಂದಿನ ಇನ್ಪುಟ್ ಅನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಆದರೆ ಮೌಲ್ಯಗಳು ಭಿನ್ನವಾಗಿದ್ದರೆ ಮಾಡೆಲ್ ನಷ್ಟ ಎಂದು ಕರೆಯಲ್ಪಡುವ ಎರಡೂ ಮೌಲ್ಯಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ ಮತ್ತು ಮುಂದಿನ ಬಾರಿ ಹೊಂದಾಣಿಕೆಯ ಲೇಬಲ್ಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ನೋಡ್ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಹೊಂದಿಸುತ್ತದೆ.
ಆಳವಾದ ಕಲಿಕೆಯ ಚೌಕಟ್ಟುಗಳು
ಕೋಡ್ನಲ್ಲಿ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳನ್ನು ನಿರ್ಮಿಸಲು, ನಾವು ಆಮದು ಮಾಡಿಕೊಳ್ಳಬೇಕು ಆಳವಾದ ಕಲಿಕೆಯ ಚೌಕಟ್ಟುಗಳು ನಮ್ಮ ಇಂಟಿಗ್ರೇಟೆಡ್ ಡೆವಲಪ್ಮೆಂಟ್ ಎನ್ವಿರಾನ್ಮೆಂಟ್ (IDE) ಬಳಸಿಕೊಂಡು ಗ್ರಂಥಾಲಯಗಳು ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ.
ಈ ಫ್ರೇಮ್ವರ್ಕ್ಗಳು ಈ ಟ್ಯುಟೋರಿಯಲ್ನಲ್ಲಿ ನಮಗೆ ಸಹಾಯ ಮಾಡುವ ಪೂರ್ವ-ಲಿಖಿತ ಕಾರ್ಯಗಳ ಸಂಗ್ರಹವಾಗಿದೆ. ನಮ್ಮ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಲು ನಾವು ಕೆರಾಸ್ ಚೌಕಟ್ಟನ್ನು ಬಳಸುತ್ತೇವೆ.
ಕೆರಾಸ್ ಎಂಬುದು ಪೈಥಾನ್ ಲೈಬ್ರರಿಯಾಗಿದ್ದು ಅದು ಆಳವಾದ ಕಲಿಕೆ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬ್ಯಾಕೆಂಡ್ ಅನ್ನು ಬಳಸುತ್ತದೆ ಟೆನ್ಸರ್ ಫ್ಲೋ NN ಗಳನ್ನು ಸುಲಭವಾಗಿ ಸರಳ ಅನುಕ್ರಮ ಮಾದರಿಗಳ ರೂಪದಲ್ಲಿ ರಚಿಸಲು.
ಕೆರಾಸ್ ತನ್ನದೇ ಆದ ಪೂರ್ವ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಮಾದರಿಗಳೊಂದಿಗೆ ಬರುತ್ತದೆ, ಅದನ್ನು ಬಳಸಬಹುದಾಗಿದೆ. ಈ ಟ್ಯುಟೋರಿಯಲ್ಗಾಗಿ, ನಾವು Keras ಅನ್ನು ಬಳಸಿಕೊಂಡು ನಮ್ಮದೇ ಆದ ಮಾದರಿಯನ್ನು ರಚಿಸುತ್ತೇವೆ.
ನೀವು ಈ ಆಳವಾದ ಕಲಿಕೆಯ ಚೌಕಟ್ಟಿನ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ತಿಳಿದುಕೊಳ್ಳಬಹುದು ಕೆರಾಸ್ ವೆಬ್ಸೈಟ್.
ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಅನ್ನು ನಿರ್ಮಿಸುವುದು (ಟ್ಯುಟೋರಿಯಲ್)
ಪೈಥಾನ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಅನ್ನು ನಿರ್ಮಿಸಲು ನಾವು ಮುಂದುವರಿಯೋಣ.
ಸಮಸ್ಯೆ ಹೇಳಿಕೆ
ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು AI ಆಧಾರಿತ ಸಮಸ್ಯೆಗಳಿಗೆ ಒಂದು ರೀತಿಯ ಪರಿಹಾರವಾಗಿದೆ. ಈ ಟ್ಯುಟೋರಿಯಲ್ಗಾಗಿ ನಾವು ಪಿಮಾ ಇಂಡಿಯನ್ಸ್ ಡಯಾಬಿಟಿಸ್ ಡೇಟಾದ ಮೂಲಕ ಹೋಗುತ್ತೇವೆ, ಅದು ಲಭ್ಯವಿದೆ ಇಲ್ಲಿ.
ಮ್ಯಾಂಚೆಸ್ಟರ್ UCI ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಈ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಕಂಪೈಲ್ ಮಾಡಿದೆ ಮತ್ತು ಭಾರತೀಯ ರೋಗಿಗಳ ವೈದ್ಯಕೀಯ ದಾಖಲೆಯನ್ನು ಒಳಗೊಂಡಿದೆ. ನಮ್ಮ ಮಾದರಿಯು ರೋಗಿಗೆ 5 ವರ್ಷಗಳಲ್ಲಿ ಮಧುಮೇಹದ ಆಕ್ರಮಣವನ್ನು ಹೊಂದಿದೆಯೇ ಅಥವಾ ಇಲ್ಲವೇ ಎಂಬುದನ್ನು ಊಹಿಸಬೇಕಾಗಿದೆ.
ಡೇಟಾಸೆಟ್ ಅನ್ನು ಲೋಡ್ ಮಾಡಲಾಗುತ್ತಿದೆ
ನಮ್ಮ ಡೇಟಾಸೆಟ್ 'diabetes.csv' ಎಂಬ ಏಕೈಕ CSV ಫೈಲ್ ಆಗಿದ್ದು ಅದನ್ನು ಮೈಕ್ರೋಸಾಫ್ಟ್ ಎಕ್ಸೆಲ್ ಬಳಸಿ ಸುಲಭವಾಗಿ ಕುಶಲತೆಯಿಂದ ನಿರ್ವಹಿಸಬಹುದಾಗಿದೆ.
ನಮ್ಮ ಮಾದರಿಯನ್ನು ರಚಿಸುವ ಮೊದಲು, ನಾವು ನಮ್ಮ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಆಮದು ಮಾಡಿಕೊಳ್ಳಬೇಕು. ಕೆಳಗಿನ ಕೋಡ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ನೀವು ಇದನ್ನು ಮಾಡಬಹುದು:
ಪಿಡಿ ಆಗಿ ಪಾಂಡಾಗಳನ್ನು ಆಮದು ಮಾಡಿ
ಡೇಟಾ = pd.read_csv('diabetes.csv')
x = data.drop ("ಫಲಿತಾಂಶ")
y = ಡೇಟಾ[“ಫಲಿತಾಂಶ”]
ಇಲ್ಲಿ ನಾವು ಬಳಸುತ್ತಿದ್ದೇವೆ ಪಾಂಡಾಗಳು ಲೈಬ್ರರಿಯು ನಮ್ಮ CSV ಫೈಲ್ ಡೇಟಾವನ್ನು ಕುಶಲತೆಯಿಂದ ನಿರ್ವಹಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ, read_csv() ಎಂಬುದು ಪಾಂಡಾಗಳ ಅಂತರ್ನಿರ್ಮಿತ ಕಾರ್ಯವಾಗಿದ್ದು ಅದು ನಮ್ಮ ಫೈಲ್ನಲ್ಲಿನ ಮೌಲ್ಯಗಳನ್ನು 'ಡೇಟಾ' ಎಂಬ ವೇರಿಯಬಲ್ಗೆ ಸಂಗ್ರಹಿಸಲು ಅನುಮತಿಸುತ್ತದೆ.
ವೇರಿಯೇಬಲ್ x ಫಲಿತಾಂಶ (ಲೇಬಲ್ಗಳು) ಡೇಟಾ ಇಲ್ಲದೆಯೇ ನಮ್ಮ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಒಳಗೊಂಡಿದೆ. x ಗಾಗಿ ಲೇಬಲ್ಗಳನ್ನು ತೆಗೆದುಹಾಕುವ data.drop() ಕಾರ್ಯದೊಂದಿಗೆ ನಾವು ಇದನ್ನು ಸಾಧಿಸುತ್ತೇವೆ, ಆದರೆ y ಫಲಿತಾಂಶದ (ಲೇಬಲ್) ಡೇಟಾವನ್ನು ಮಾತ್ರ ಹೊಂದಿರುತ್ತದೆ.
ಅನುಕ್ರಮ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸುವುದು
ಹಂತ 1: ಲೈಬ್ರರಿಗಳನ್ನು ಆಮದು ಮಾಡಿಕೊಳ್ಳುವುದು
ಮೊದಲನೆಯದಾಗಿ, ನಮ್ಮ ಮಾದರಿಗೆ ಅಗತ್ಯವಿರುವ ಕೆಲವು ನಿಯತಾಂಕಗಳೊಂದಿಗೆ ನಾವು ಟೆನ್ಸರ್ಫ್ಲೋ ಮತ್ತು ಕೆರಾಸ್ಗಳನ್ನು ಆಮದು ಮಾಡಿಕೊಳ್ಳಬೇಕು. ಕೆಳಗಿನ ಕೋಡ್ ನಮಗೆ ಇದನ್ನು ಮಾಡಲು ಅನುಮತಿಸುತ್ತದೆ:
ಟೆನ್ಸರ್ಫ್ಲೋ ಅನ್ನು ಟಿಎಫ್ ಆಗಿ ಆಮದು ಮಾಡಿಕೊಳ್ಳಿ
ಟೆನ್ಸರ್ಫ್ಲೋ ಆಮದು ಕೆರಾಗಳಿಂದ
tensorflow.keras.models ಇಂಪೋರ್ಟ್ ಸೀಕ್ವೆನ್ಷಿಯಲ್
tensorflow.keras.layers ನಿಂದ ಆಮದು ಸಕ್ರಿಯಗೊಳಿಸುವಿಕೆ, ದಟ್ಟವಾಗಿರುತ್ತದೆ
tensorflow.keras.optimizers ನಿಂದ Adam ಅನ್ನು ಆಮದು ಮಾಡಿಕೊಳ್ಳಿ
tensorflow.keras.metrics ನಿಂದ ವರ್ಗೀಯ_ಕ್ರಾಸೆಂಟ್ರೊಪಿ ಆಮದು
ನಮ್ಮ ಮಾದರಿಗಾಗಿ ನಾವು ದಟ್ಟವಾದ ಪದರಗಳನ್ನು ಆಮದು ಮಾಡಿಕೊಳ್ಳುತ್ತಿದ್ದೇವೆ. ಇವುಗಳು ಸಂಪೂರ್ಣವಾಗಿ ಸಂಪರ್ಕಿತ ಪದರಗಳಾಗಿವೆ; ಅಂದರೆ, ಒಂದು ಲೇಯರ್ನಲ್ಲಿನ ಪ್ರತಿಯೊಂದು ನೋಡ್ ಮುಂದಿನ ಲೇಯರ್ನಲ್ಲಿರುವ ಇನ್ನೊಂದು ನೋಡ್ನೊಂದಿಗೆ ಸಂಪೂರ್ಣವಾಗಿ ಸಂಪರ್ಕ ಹೊಂದಿದೆ.
ನಾವು ಕೂಡ ಆಮದು ಮಾಡಿಕೊಳ್ಳುತ್ತಿದ್ದೇವೆ ಸಕ್ರಿಯಗೊಳಿಸುವಿಕೆ ನೋಡ್ಗಳಿಗೆ ಕಳುಹಿಸಲಾದ ಡೇಟಾವನ್ನು ಸ್ಕೇಲಿಂಗ್ ಮಾಡಲು ಅಗತ್ಯವಿರುವ ಕಾರ್ಯ. ಆಪ್ಟಿಮೈಜರ್ಗಳು ನಷ್ಟವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಸಹ ಆಮದು ಮಾಡಿಕೊಳ್ಳಲಾಗಿದೆ.
ಆಡಮ್ ಒಂದು ಹೆಸರಾಂತ ಆಪ್ಟಿಮೈಜರ್ ಆಗಿದ್ದು ಅದು ನಮ್ಮ ಮಾಡೆಲ್ ಅಪ್ಡೇಟ್ ನೋಡ್ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾಡುತ್ತದೆ ವರ್ಗೀಯ_ಕ್ರಾಸೆಂಟ್ರೊಪಿ ಅಂದರೆ ನಾವು ಬಳಸುತ್ತಿರುವ ನಷ್ಟ ಕಾರ್ಯದ ಪ್ರಕಾರ (ನಿಜವಾದ ಮತ್ತು ಭವಿಷ್ಯ ಲೇಬಲ್ ಮೌಲ್ಯಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ).
ಹಂತ 2: ನಮ್ಮ ಮಾದರಿಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವುದು
ನಾನು ರಚಿಸುತ್ತಿರುವ ಮಾದರಿಯು ಒಂದು ಇನ್ಪುಟ್ (16 ಘಟಕಗಳೊಂದಿಗೆ), ಒಂದು ಗುಪ್ತ (32 ಘಟಕಗಳೊಂದಿಗೆ) ಮತ್ತು ಒಂದು ಔಟ್ಪುಟ್ (2 ಘಟಕಗಳೊಂದಿಗೆ) ಲೇಯರ್ ಅನ್ನು ಹೊಂದಿದೆ. ಈ ಸಂಖ್ಯೆಗಳು ಸ್ಥಿರವಾಗಿಲ್ಲ ಮತ್ತು ನೀಡಿರುವ ಸಮಸ್ಯೆಯ ಮೇಲೆ ಸಂಪೂರ್ಣವಾಗಿ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ.
ಸರಿಯಾದ ಸಂಖ್ಯೆಯ ಘಟಕಗಳು ಮತ್ತು ಪದರಗಳನ್ನು ಹೊಂದಿಸುವುದು ಅಭ್ಯಾಸದ ಮೂಲಕ ಹೆಚ್ಚಿನ ಸಮಯವನ್ನು ಸುಧಾರಿಸಬಹುದಾದ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ. ಸಕ್ರಿಯಗೊಳಿಸುವಿಕೆಯು ನೋಡ್ ಮೂಲಕ ಹಾದುಹೋಗುವ ಮೊದಲು ನಮ್ಮ ಡೇಟಾವನ್ನು ನಾವು ನಿರ್ವಹಿಸುವ ಸ್ಕೇಲಿಂಗ್ ಪ್ರಕಾರಕ್ಕೆ ಅನುರೂಪವಾಗಿದೆ.
Relu ಮತ್ತು Softmax ಈ ಕಾರ್ಯಕ್ಕಾಗಿ ಪ್ರಸಿದ್ಧವಾದ ಸಕ್ರಿಯಗೊಳಿಸುವ ಕಾರ್ಯಗಳಾಗಿವೆ.
ಮಾದರಿ = ಅನುಕ್ರಮ ([
ದಟ್ಟವಾದ(ಘಟಕಗಳು = 16, ಇನ್ಪುಟ್_ಆಕಾರ = (1,), ಸಕ್ರಿಯಗೊಳಿಸುವಿಕೆ = 'ರೆಲು'),
ದಟ್ಟವಾದ (ಘಟಕಗಳು = 32, ಸಕ್ರಿಯಗೊಳಿಸುವಿಕೆ = 'ರೆಲು'),
ದಟ್ಟವಾದ (ಘಟಕಗಳು = 2, ಸಕ್ರಿಯಗೊಳಿಸುವಿಕೆ = 'ಸಾಫ್ಟ್ಮ್ಯಾಕ್ಸ್')
])
ಮಾದರಿಯ ಸಾರಾಂಶವು ಹೇಗಿರಬೇಕು ಎಂಬುದು ಇಲ್ಲಿದೆ:
ಮಾದರಿ ತರಬೇತಿ
ನಮ್ಮ ಮಾದರಿಯನ್ನು ಎರಡು ಹಂತಗಳಲ್ಲಿ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ, ಮೊದಲನೆಯದು ಮಾದರಿಯನ್ನು ಕಂಪೈಲ್ ಮಾಡುವುದು (ಮಾದರಿಯನ್ನು ಒಟ್ಟಿಗೆ ಸೇರಿಸುವುದು) ಮತ್ತು ಮುಂದಿನದು ನೀಡಲಾದ ಡೇಟಾಸೆಟ್ನಲ್ಲಿ ಮಾದರಿಯನ್ನು ಅಳವಡಿಸುವುದು.
ಇದನ್ನು model.fit() ಕಾರ್ಯವನ್ನು ಅನುಸರಿಸಿ model.compile() ಕಾರ್ಯವನ್ನು ಬಳಸಿ ಮಾಡಬಹುದು.
model.compile(ಆಪ್ಟಿಮೈಜರ್ = ಆಡಮ್(ಕಲಿಕೆ_ದರ = 0.0001), ನಷ್ಟ = 'ಬೈನರಿ_ಕ್ರಾಸೆಂಟ್ರೊಪಿ', ಮೆಟ್ರಿಕ್ಸ್ = ['ನಿಖರತೆ'])
model.fit(x, y, epochs = 30, batch_size = 10)
'ನಿಖರತೆ' ಮೆಟ್ರಿಕ್ ಅನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸುವುದರಿಂದ ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ ನಮ್ಮ ಮಾದರಿಯ ನಿಖರತೆಯನ್ನು ವೀಕ್ಷಿಸಲು ನಮಗೆ ಅನುಮತಿಸುತ್ತದೆ.
ನಮ್ಮ ಲೇಬಲ್ಗಳು 1 ಮತ್ತು 0 ರ ರೂಪದಲ್ಲಿರುವುದರಿಂದ, ನಿಜವಾದ ಮತ್ತು ಭವಿಷ್ಯ ಲೇಬಲ್ಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ನಾವು ಬೈನರಿ ನಷ್ಟ ಕಾರ್ಯವನ್ನು ಬಳಸುತ್ತೇವೆ.
ಡೇಟಾಸೆಟ್ ಅನ್ನು 10 ಬ್ಯಾಚ್ಗಳಾಗಿ ವಿಭಜಿಸಲಾಗುತ್ತಿದೆ (ಬ್ಯಾಚ್_ಸೈಜ್) ಮತ್ತು ಮಾದರಿಯ ಮೂಲಕ 30 ಬಾರಿ (ಯುಗಗಳು) ರವಾನಿಸಲಾಗುತ್ತದೆ. ಕೊಟ್ಟಿರುವ ಡೇಟಾಸೆಟ್ಗೆ, x ಡೇಟಾ ಆಗಿರುತ್ತದೆ ಮತ್ತು y ಡೇಟಾಗೆ ಸಂಬಂಧಿಸಿದ ಲೇಬಲ್ಗಳಾಗಿರುತ್ತದೆ.
ಮುನ್ಸೂಚನೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮಾದರಿಯನ್ನು ಪರೀಕ್ಷಿಸುವುದು
ನಮ್ಮ ಮಾದರಿಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು, ನಾವು ಪ್ರಿಡಿಕ್ಟ್() ಫಂಕ್ಷನ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಪರೀಕ್ಷಾ ಡೇಟಾದ ಮೇಲೆ ಮುನ್ನೋಟಗಳನ್ನು ಮಾಡುತ್ತೇವೆ.
ಮುನ್ನೋಟಗಳು = model.predict(x)
ಮತ್ತು ಅದು ಇಲ್ಲಿದೆ!
ಈಗ ನೀವು ಅದರ ಬಗ್ಗೆ ಉತ್ತಮ ತಿಳುವಳಿಕೆಯನ್ನು ಹೊಂದಿರಬೇಕು ಆಳವಾದ ಕಲಿಕೆ ಅಪ್ಲಿಕೇಶನ್, ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು, ಅವು ಸಾಮಾನ್ಯವಾಗಿ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಮತ್ತು ಪೈಥಾನ್ ಕೋಡ್ನಲ್ಲಿ ಮಾದರಿಯನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸುವುದು, ತರಬೇತಿ ಮಾಡುವುದು ಮತ್ತು ಪರೀಕ್ಷಿಸುವುದು.
ನಿಮ್ಮ ಸ್ವಂತ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳನ್ನು ರಚಿಸಲು ಮತ್ತು ನಿಯೋಜಿಸಲು ಈ ಟ್ಯುಟೋರಿಯಲ್ ನಿಮಗೆ ಕಿಕ್ಸ್ಟಾರ್ಟ್ ನೀಡುತ್ತದೆ ಎಂದು ನಾನು ಭಾವಿಸುತ್ತೇನೆ.
ಲೇಖನವು ಸಹಾಯಕವಾಗಿದ್ದರೆ ಕಾಮೆಂಟ್ಗಳಲ್ಲಿ ನಮಗೆ ತಿಳಿಸಿ.
ಪ್ರತ್ಯುತ್ತರ ನೀಡಿ