යන්ත්ර ඉගෙනුම් ආකෘති සංවර්ධනය කිරීම සඳහා වඩාත් ප්රසිද්ධ මෙවලම්වලින් එකක් වන්නේ TensorFlow ය. අපි විවිධ කර්මාන්තවල බොහෝ යෙදුම්වල TensorFlow භාවිතා කරමු.
මෙම ලිපියෙන්, අපි TensorFlow AI මාදිලි කිහිපයක් පරීක්ෂා කරන්නෙමු. එබැවින් අපට බුද්ධිමත් පද්ධති නිර්මාණය කළ හැකිය.
අපි AI ආකෘති නිර්මාණය කිරීම සඳහා TensorFlow පිරිනමන රාමු හරහා ද යන්නෙමු. එහෙනම් අපි පටන් ගනිමු!
TensorFlow සඳහා කෙටි හැඳින්වීමක්
Google හි TensorFlow විවෘත මූලාශ්රයකි යන්ත්ර ඉගෙනීම මෘදුකාංග පැකේජය. එය පුහුණු කිරීම සහ යෙදවීම සඳහා මෙවලම් ඇතුළත් වේ යන්ත්ර ඉගෙනුම් ආකෘති බොහෝ වේදිකාවල. සහ උපාංග, මෙන්ම ගැඹුරු ඉගෙනීම සඳහා සහය සහ ස්නායු ජාල.
TensorFlow විවිධ යෙදුම් සඳහා ආකෘති නිර්මාණය කිරීමට සංවර්ධකයින්ට හැකියාව ලබා දෙයි. මෙයට රූප සහ ශ්රව්ය හඳුනාගැනීම, ස්වභාවික භාෂා සැකසීම සහ පරිගණක දැක්ම. එය පුළුල් ප්රජා සහාය ඇති ශක්තිමත් සහ අනුවර්තනය කළ හැකි මෙවලමකි.
ඔබේ පරිගණකයේ TensorFlow ස්ථාපනය කිරීමට ඔබට මෙය ඔබේ විධාන කවුළුවෙහි ටයිප් කළ හැක:
pip install tensorflow
AI මාදිලි වැඩ කරන්නේ කෙසේද?
AI මාදිලි යනු පරිගණක පද්ධති වේ. එමනිසා, ඔවුන් සාමාන්යයෙන් මිනිස් බුද්ධිය අවශ්ය ක්රියාකාරකම් කිරීමට අදහස් කරයි. රූප සහ කථන හඳුනාගැනීම සහ තීරණ ගැනීම එවැනි කාර්යයන් සඳහා උදාහරණ වේ. AI ආකෘති දැවැන්ත දත්ත කට්ටල මත සංවර්ධනය කර ඇත.
ඔවුන් අනාවැකි ජනනය කිරීමට සහ ක්රියා කිරීමට යන්ත්ර ඉගෙනීමේ ක්රම භාවිතා කරයි. ඔවුන්ට ස්වයං-රිය පැදවීමේ මෝටර් රථ, පුද්ගලික සහායකයින් සහ වෛද්ය රෝග විනිශ්චය ඇතුළු භාවිතයන් කිහිපයක් තිබේ.
ඉතින්, ජනප්රිය TensorFlow AI මාදිලි මොනවාද?
ResNet
ResNet නොහොත් Residual Network යනු සංවෘත ආකාරයකි ස්නායු ජාලය. අපි එය රූප වර්ගීකරණය සඳහා භාවිතා කරමු වස්තුව හඳුනාගැනීම. එය මයික්රොසොෆ්ට් පර්යේෂකයන් විසින් 2015 දී සංවර්ධනය කරන ලදී. එසේම, එය ප්රධාන වශයෙන් අවශේෂ සම්බන්ධතා භාවිතය මගින් කැපී පෙනේ.
මෙම සම්බන්ධතා ජාලයට සාර්ථකව ඉගෙන ගැනීමට ඉඩ සලසයි. එබැවින්, ස්ථර අතර තොරතුරු වඩාත් නිදහසේ ගලායාමට ඉඩ සැලසීමෙන් එය කළ හැකිය.
Keras API භාවිතා කිරීමෙන් ResNet TensorFlow හි ක්රියාත්මක කළ හැක. එය ස්නායුක ජාල නිර්මාණය කිරීම සහ පුහුණු කිරීම සඳහා ඉහළ මට්ටමේ, පරිශීලක-හිතකාමී අතුරු මුහුණතක් සපයයි.
ResNet ස්ථාපනය කිරීම
TensorFlow ස්ථාපනය කිරීමෙන් පසු, ඔබට ResNet ආකෘතියක් නිර්මාණය කිරීමට Keras API භාවිතා කළ හැක. TensorFlow හි Keras API ඇතුළත් වේ, එබැවින් ඔබට එය තනි තනිව ස්ථාපනය කිරීමට අවශ්ය නොවේ.
ඔබට tensorflow.keras.applications වෙතින් ResNet ආකෘතිය ආයාත කළ හැක. තවද, ඔබට භාවිතා කිරීමට ResNet අනුවාදය තෝරාගත හැක, උදාහරණයක් ලෙස:
from tensorflow.keras.applications import ResNet50
ඔබට ResNet සඳහා පූර්ව-පුහුණු බර පැටවීමට පහත කේතය භාවිතා කළ හැක:
model = ResNet50(weights='imagenet')
දේපල ඇතුළත්_top=False තේරීමෙන්, ඔබට අමතර පුහුණුවක් සඳහා හෝ ඔබේ අභිරුචි දත්ත කට්ටලය මනාව සකස් කිරීම සඳහා ආකෘතිය භාවිතා කළ හැක.
model = ResNet50(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
ResNet හි භාවිත ක්ෂේත්ර
රූප වර්ගීකරණයේදී ResNet භාවිතා කළ හැක. එබැවින්, ඔබට බොහෝ කණ්ඩායම් වලට ඡායාරූප වර්ගීකරණය කළ හැකිය. පළමුව, ඔබ ලේබල් කළ ඡායාරූප විශාල දත්ත කට්ටලයක් මත ResNet ආකෘතියක් පුහුණු කළ යුතුය. එවිට, ResNet හට කලින් නොදුටු රූපවල පන්තිය පුරෝකථනය කළ හැක.
ඡායාරූපවල ඇති දේවල් හඳුනාගැනීම වැනි වස්තු හඳුනාගැනීමේ කාර්යයන් සඳහාද ResNet භාවිතා කළ හැක. වස්තු මායිම් පෙට්ටි සමඟ ලේබල් කර ඇති ඡායාරූප එකතුවක් මත මුලින්ම ResNet ආකෘතියක් පුහුණු කිරීමෙන් අපට මෙය කළ හැකිය. ඉන්පසුව, නැවුම් රූපවල ඇති වස්තූන් හඳුනා ගැනීමට අපට උගත් ආකෘතිය යෙදිය හැක.
අපට අර්ථකථන කොටස් කිරීමේ කාර්යයන් සඳහාද ResNet භාවිතා කළ හැක. එබැවින්, අපට පින්තූරයක ඇති සෑම පික්සලයකටම අර්ථකථන ලේබලයක් පැවරිය හැකිය.
ආරම්භයේ
ආරම්භය යනු රූපවල ඇති දේවල් හඳුනාගැනීමේ හැකියාව ඇති ගැඹුරු ඉගෙනුම් ආකෘතියකි. Google එය 2014 දී නිවේදනය කරන ලද අතර, එය බොහෝ ස්ථර භාවිතා කරමින් විවිධ ප්රමාණයේ පින්තූර විශ්ලේෂණය කරයි. Inception සමඟින්, ඔබේ ආකෘතියට රූපය නිවැරදිව වටහා ගත හැක.
TensorFlow යනු Inception ආකෘති නිර්මාණය කිරීම සහ ධාවනය කිරීම සඳහා ශක්තිමත් මෙවලමකි. එය ස්නායුක ජාල පුහුණු කිරීම සඳහා ඉහළ මට්ටමේ සහ පරිශීලක-හිතකාමී අතුරු මුහුණතක් සපයයි. එබැවින්, Inception යනු සංවර්ධකයින් සඳහා අයදුම් කිරීමට ඉතා සරල ආකෘතියකි.
ආරම්භය ස්ථාපනය කිරීම
මෙම කේත රේඛාව ටයිප් කිරීමෙන් ඔබට Inception ස්ථාපනය කළ හැක.
from tensorflow.keras.applications import InceptionV3
ආරම්භයේ භාවිත ක්ෂේත්ර
Inception මොඩලය විශේෂාංග උකහා ගැනීමට ද භාවිතා කළ හැක ගැඹුරු ඉගෙනුම Generative Adversarial Networks (GANs) සහ Autoencoders වැනි ආකෘති.
නිශ්චිත ගති ලක්ෂණ හඳුනා ගැනීම සඳහා Inception ආකෘතිය මනාව සකස් කළ හැක. එසේම, X-ray, CT, හෝ MRI වැනි වෛද්ය රූපකරණ යෙදුම්වල ඇතැම් ආබාධ හඳුනා ගැනීමට අපට හැකි විය හැක.
රූපයේ ගුණාත්මකභාවය පරීක්ෂා කිරීම සඳහා Inception ආකෘතිය මනාව සකස් කළ හැක. රූපයක් නොපැහැදිලි ද හැපෙනසුළු ද යන්න අපට තක්සේරු කළ හැකිය.
වස්තු ලුහුබැඳීම සහ ක්රියා හඳුනාගැනීම වැනි වීඩියෝ විශ්ලේෂණ කාර්යයන් සඳහා Inception භාවිතා කළ හැක.
බර්ට්
BERT (ට්රාන්ස්ෆෝමර් වෙතින් ද්විපාර්ශ්වික කේතීකරණ නියෝජන) යනු Google විසින් දියුණු කරන ලද පෙර පුහුණු වූ ස්නායුක ජාල ආකෘතියකි. අපි එය විවිධ ස්වභාවික භාෂා සැකසුම් කාර්යයන් සඳහා භාවිතා කළ හැක. මෙම කාර්යයන් පෙළ වර්ගීකරණයේ සිට ප්රශ්නවලට පිළිතුරු සැපයීම දක්වා වෙනස් විය හැක.
BERT ට්රාන්ස්ෆෝමර් ගෘහ නිර්මාණ ශිල්පය මත ගොඩනගා ඇත. එබැවින්, වචන සම්බන්ධතා අවබෝධ කර ගනිමින් ඔබට විශාල පෙළ ආදානයක් හැසිරවිය හැක.
BERT යනු ඔබට TensorFlow යෙදුම්වලට ඇතුළත් කළ හැකි පූර්ව-පුහුණු ආකෘතියකි.
TensorFlow හි පූර්ව-පුහුණු BERT ආකෘතියක් මෙන්ම විවිධ කාර්යයන් සඳහා BERT මනාව සකස් කිරීම සහ යෙදීම සඳහා වූ උපයෝගිතා එකතුවක් ඇතුළත් වේ. මේ අනුව, ඔබට පහසුවෙන් BERT හි නවීන ස්වභාවික භාෂා සැකසුම් හැකියාවන් ඒකාබද්ධ කළ හැකිය.
BERT ස්ථාපනය කිරීම
Pip පැකේජ කළමනාකරු භාවිතයෙන්, ඔබට TensorFlow හි BERT ස්ථාපනය කළ හැක:
pip install tensorflow-gpu==2.2.0 # This installs TensorFlow with GPU support
pip install transformers==3.0.0 # This installs the transformers library, which includes BERT
Tensorflow හි CPU අනුවාදය tensorflow-gpu tensorflow සමඟ ආදේශ කිරීමෙන් පහසුවෙන් ස්ථාපනය කළ හැක.
පුස්තකාලය ස්ථාපනය කිරීමෙන් පසු, ඔබට BERT ආකෘතිය ආනයනය කර විවිධ NLP කාර්යයන් සඳහා එය භාවිතා කළ හැක. පෙළ වර්ගීකරණ ගැටලුවක් මත BERT ආකෘතියක් සියුම් ලෙස සකස් කිරීම සඳහා නියැදි කේතයක් මෙන්න, උදාහරණයක් ලෙස:
from transformers import BertForSequenceClassification
# Load the pre-trained BERT model
model = BertForSequenceClassification.from_pretrained("bert-base-uncased")
# Fine-tune the model on your text classification task
model.fit(training_data, labels)
# Make predictions on new data
predictions = model.predict(test_data)
BERT හි භාවිත ක්ෂේත්ර
ඔබට පෙළ වර්ගීකරණ කාර්යයන් ඉටු කළ හැකිය. උදාහරණයක් ලෙස, එය සාක්ෂාත් කර ගැනීමට හැකි ය මනෝ විශ්ලේෂණයකි, මාතෘකා වර්ගීකරණය සහ අයාචිත තැපැල් හඳුනාගැනීම.
BERT සතුව ඇත ආයතන හඳුනාගැනීම නම් කරන ලදී (NER) විශේෂාංගය. එබැවින්, ඔබට පුද්ගලයන් සහ සංවිධාන වැනි පෙළ තුළ ඇති ආයතන හඳුනාගෙන ලේබල් කළ හැක.
සෙවුම් යන්ත්රයක හෝ චැට්බෝට් යෙදුමක වැනි විශේෂිත සන්දර්භයක් මත පදනම්ව විමසුම්වලට පිළිතුරු දීමට එය භාවිතා කළ හැක.
යන්ත්ර පරිවර්තන නිරවද්යතාවය වැඩි කිරීමට භාෂා පරිවර්තනය සඳහා BERT ප්රයෝජනවත් විය හැක.
BERT පාඨ සාරාංශ කිරීම සඳහා භාවිතා කළ හැක. එබැවින්, දිගු පෙළ ලේඛනවල කෙටි, ප්රයෝජනවත් සාරාංශයක් සැපයිය හැකිය.
DeepVoice
Baidu පර්යේෂණය නිර්මාණය කළේ DeepVoice, a පෙළ සිට කථනය සංශ්ලේෂණ ආකෘතිය.
එය TensorFlow රාමුව සමඟින් නිර්මාණය කර ඇති අතර විශාල හඬ දත්ත එකතුවක් මත පුහුණු කරන ලදී.
DeepVoice පෙළ ආදානයෙන් හඬ උත්පාදනය කරයි. ගැඹුරු ඉගෙනුම් ශිල්පීය ක්රම භාවිතා කිරීමෙන් DeepVoice එය සිදු කරයි. එය ස්නායුක ජාලය පදනම් කරගත් ආකෘතියකි.
එබැවින්, එය ආදාන දත්ත විශ්ලේෂණය කරන අතර සම්බන්ධිත නෝඩ් ස්ථර විශාල සංඛ්යාවක් භාවිතයෙන් කථනය ජනනය කරයි.
DeepVoice ස්ථාපනය කිරීම
!pip install deepvoice
විකල්පයක් ලෙස;
# Clone the DeepVoice repository
!git clone https://github.com/r9y9/DeepVoice3_pytorch.git
%cd DeepVoice3_pytorch
!pip install -r requirements.txt
DeepVoice හි භාවිත ප්රදේශ
Amazon Alexa සහ Google Assistant වැනි පුද්ගලික සහකාර සඳහා කථන නිෂ්පාදනය කිරීමට ඔබට DeepVoice භාවිතා කළ හැක.
එසේම, ස්මාර්ට් ස්පීකර් සහ ගෘහ ස්වයංක්රීයකරණ පද්ධති වැනි හඬ-සක්රීය උපාංග සඳහා කථනය නිෂ්පාදනය කිරීමට DeepVoice භාවිතා කළ හැක.
DeepVoice හට කථන චිකිත්සක යෙදුම් සඳහා හඬක් නිර්මාණය කළ හැක. කථන ගැටළු ඇති රෝගීන්ට ඔවුන්ගේ කථනය වැඩිදියුණු කිරීමට උපකාර කළ හැකිය.
Audiobooks සහ භාෂා ඉගෙනුම් යෙදුම් වැනි අධ්යාපනික ද්රව්ය සඳහා කථාවක් නිර්මාණය කිරීමට DeepVoice භාවිතා කළ හැක.
ඔබමයි