TensorFlow 2.0 د ماشین زده کړې او ژورې زده کړې لپاره یو مشهور او په پراخه کچه کارول شوي خلاص سرچینې چوکاټ دی چې د ګوګل لخوا رامینځته شوی. دا یو لړ کلیدي ب featuresې وړاندې کوي چې دا د مصنوعي استخباراتو په برخه کې د مختلف غوښتنلیکونو لپاره کارول اسانه او ځواکمن کوي. په دې ځواب کې، موږ به دا کلیدي ځانګړتیاوې په تفصیل سره وڅیړو، د دوی ډیډاتیک ارزښت په ګوته کړو او د دوی اهمیت مالتړ لپاره حقیقي پوهه چمتو کړو.
1. لیواله اجرا کول: په TensorFlow 2.0 کې یو له لویو پرمختګونو څخه د ډیفالټ حالت په توګه د لیواله اجرا کول دي. لیواله اجرا کول د عملیاتو سمدستي ارزونې ته اجازه ورکوي ، د کوډ چلند ډیبګ او پوهیدل اسانه کوي. دا د جلا ناستې اړتیا له منځه وړي او د ټولیز پروګرام کولو ماډل ساده کوي. دا ب featureه په ځانګړي توګه د پیل کونکو لپاره ارزښت لري ځکه چې دا د ماشین زده کړې ماډلونو لیکلو پرمهال خورا هوښیار او متقابل تجربه چمتو کوي.
مثال:
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)
محصول:
tf.Tensor([ 4 10 18], shape=(3,), dtype=int32)
2. د Keras ادغام: TensorFlow 2.0 په کلکه د Keras سره مدغم کیږي، د لوړې کچې عصبي شبکې API. کیراس د ژورې زده کړې ماډلونو جوړولو لپاره د کاروونکي دوستانه او ماډلر انٹرفیس چمتو کوي. د TensorFlow 2.0 سره، Keras اوس د TensorFlow لپاره د لوړې کچې رسمي API دی، د ماډلونو تعریف، روزنې، او ځای پرځای کولو لپاره ساده او ثابته لار وړاندې کوي. دا ادغام د کارولو اسانتیا ته وده ورکوي او د ګړندي پروټوټایپ او تجربې لپاره اجازه ورکوي.
مثال:
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. ساده API: TensorFlow 2.0 یو ساده API وړاندې کوي چې پیچلتیا کموي او د لوستلو وړتیا ښه کوي. API بیا ډیزاین شوی ترڅو ډیر هوښیار او ثابت وي، د زده کړې او کارول اسانه کوي. نوی API د واضح کنټرول انحصار او ګراف راټولولو اړتیا له منځه وړي، د کوډ ساده کول او د بویلر پلیټ کمول. دا ساده کول د پیل کونکو لپاره ګټور دي ځکه چې دا د زده کړې وکر کموي او د ماشین زده کړې ماډلونو ګړندۍ پراختیا ته اجازه ورکوي.
مثال:
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)
محصول:
tf.Tensor([ 4 10 18], shape=(3,), dtype=int32)
4. د موډل ښه ځای پرځای کول: TensorFlow 2.0 TensorFlow SavedModel معرفي کوي، د TensorFlow ماډلونو لپاره د سریال کولو بڼه. SavedModel په مختلفو پلیټ فارمونو او چاپیریالونو کې د موډلونو خوندي کول، بار کول او ځای پرځای کول اسانه کوي. دا د ماډل جوړښت، متغیرات، او د محاسبې ګراف پوښي، د اسانه ماډل شریکولو او خدمت کولو لپاره اجازه ورکوي. دا خصوصیت د پیل کونکو او تجربه لرونکو متخصصینو لپاره ارزښت لري، ځکه چې دا د تولید په ترتیباتو کې د ماډلونو ځای پرځای کولو پروسه ساده کوي.
مثال:
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. TensorFlow ډیټاسیټونه: TensorFlow 2.0 د TensorFlow ډیټاسیټس (TFDS) ماډل چمتو کوي، کوم چې د ډیټاسیټونو بارولو او پری پروسس کولو پروسه ساده کوي. TFDS دوی ته د لاسرسي او سمبالولو لپاره د معیاري APIs سره یوځای د معمول کارول شوي ډیټاسیټونو ټولګه وړاندې کوي. دا خصوصیت په ځانګړي ډول د پیل کونکو لپاره ګټور دی ځکه چې دا د لاسي ډیټا پری پروسس کولو اړتیا له مینځه وړي او د مختلف ډیټاسیټونو سره ګړندي تجربې ته اجازه ورکوي.
مثال:
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 ډیری کلیدي ځانګړتیاوې وړاندې کوي چې دا د ماشین زده کړې لپاره د کارولو اسانه او ځواکمن چوکاټ جوړوي. د لیوالتیا پلي کول ، د کیرا سره ادغام ، ساده شوي API ، د ماډل پلي کول ، او د TensorFlow ډیټا سیټونه د ماشین زده کړې ماډلونو رامینځته کولو لپاره ډیر هوښیار او موثر چاپیریال چمتو کوي. دا ځانګړتیاوې د TensorFlow 2.0 درسي ارزښت لوړوي، دا د پیل کونکو لپاره د لاسرسي وړ کوي پداسې حال کې چې د تجربه لرونکو متخصصینو اړتیاوې هم پوره کوي.
په اړه نورې وروستۍ پوښتنې او ځوابونه EITC/AI/TFF TensorFlow اساسات:
- څنګه کولای شو چی د ویکتورونو په توګه د کلمو د نمایندګۍ د پلاټ لپاره مناسب محورونه په اتوماتيک ډول وټاکو لپاره د سرایت کولو پرت وکاروو؟
- په CNN کې د اعظمي پولینګ هدف څه دی؟
- د عکس پیژندنې لپاره په کنولوشنال عصبي شبکه (CNN) کې د فیچر استخراج پروسه څنګه پلي کیږي؟
- ایا دا اړینه ده چې په TensorFlow.js کې د ماشین زده کړې ماډلونو لپاره د غیر متناسب زده کړې فعالیت وکاروئ؟
- د TensorFlow Keras Tokenizer API د کلمو پیرامیټر اعظمي شمیر څه دی؟
- ایا TensorFlow Keras Tokenizer API د ډیری مکرر کلمو موندلو لپاره کارول کیدی شي؟
- TOCO څه شی دی؟
- د ماشین زده کړې ماډل کې د یو شمیر دورونو او د ماډل چلولو څخه د وړاندوینې دقت ترمنځ اړیکه څه ده؟
- ایا د TensorFlow په عصبي جوړښت شوي زده کړې کې د پیک ګاونډی API د طبیعي ګراف ډیټا پراساس د روزنې ډیټاسیټ وده کوي؟
- د TensorFlow په عصبي ساختماني زده کړې کې د پیک ګاونډی API څه شی دی؟
نورې پوښتنې او ځوابونه په EITC/AI/TFF TensorFlow Fundamentals کې وګورئ