19-LEKCIYA_MDQI
.pdf19-Lekciya. Pythonda TensorFlow kitapxanalarınıń imkaniyatların úyreniw
Jobası:
1.TensorFlow tiykarǵı túsinikleri
2.TensorFlow tiykarǵı funkciyaları
3.TensorFlow menen modellerdi dúziw
4.Python-da programmalastırıw
TensorFlow - bul Google tárepinen islep shıǵılǵan ashıq kodlı mashinalıq oqıtıw kitapxanası. Ol kóp ólshemli massivler menen jumıs islewge arnalǵan bolıp, ózinde mashinalıq oqıtıw hám tereń oqıtıw ushın keń imkaniyatlardı jámlegen.
Ol PyTorch penen birge eń keń tarqalǵan eki terеń oqıtıw kitapxanasınıń biri bolıp esaplanadı. Ol Google-diń ishki izertlew hám óndiriste paydalanıwı ushın Google Brain toparı tárepinen islep shıǵılǵan. Dáslepki versiyası 2015-jılı Apache License 2.0 boyınsha shıǵarılǵan. Google 2019-jıldıń sentyabr ayında jańalanǵan TensorFlow 2.0 versiyasın shıǵardı. TensorFlow Python, JavaScript, C++ hám Java sıyaqlı kóplegen programmalastırıw tillerinde qollanıla aladı, bul onıń kóp tarawlardaǵı hárbir túrli qollanıwlarda paydalanılıwın ańsatlastıradı.
2011-jıldan baslap, Google Brain terеń oqıtıw neyron tarmaqlarına tiykarlanǵan DistBelief atı menen jeke meнshik mashinalıq oqıtıw sistemasın qurdı. Onıń qollanılıwı Alphabet kompaniyalarınıń hár qıylı bólimlerinde izertlew hám kommerciyalıq qollanıwlarda tez pát penen ósip bardı. Google bir neshe kompyuter ilimpazların, sonıń ishinde Jeff Dean-di, DistBelief-tiń kod bazasın ápiwayılastırıw hám qayta dúziw arqalı tezirek, bekkem qollanba dárejesindegi kitapxanaǵa aylandırıwǵa tapsırma berdi, nátiyjesinde TensorFlow payda boldı. 2009-jılı Geoffrey Hinton basshılıǵındaǵı topаr ulıwmalastırılǵan keri tarqatıw hám basqa da jaqsılanıwlardı ámelge asırdı, bul ádewir joqarı dállikke iye neyron tarmaqların payda etiw imkaniyatın berdi, mısalı, sóylewdi tanıwdaǵı qáteliklerdi
25% ke kemeytti.
TensorFlow tiykarǵı túsinikleri
Tensor
Tensor - bul TensorFlow kitapxanasınıń tiykarǵı maǵlıwmatlar strukturası. Ol kóp ólshemli massiv bolıp, ózinde sanlı maǵlıwmatlardı saqlawǵa xızmet etedi.
Graph
Graph - bul esaplawlar izbe-izligin kórsetiwshi struktura. Ol nodeler
(operatsiyalar) hám olardıń arasındaǵı baylanıslardan (maǵlıwmatlar aǵımı) quralǵan.
Session
Session - bul TensorFlow grafın orınlaw ortası. Ol grafta anıqlanǵan operaciyalardı ámelge asırıw ushın xızmet etedi.
TensorFlow tiykarǵı funkciyaları
tf.constant(): Ózgermeytuǵın tensor jaratıw
tf.Variable(): Ózgeriwshi tensor jaratıw
tf.placeholder(): Kiriw maǵlıwmatları ushın ornın saqlap qoyıw
tf.Session(): Jańa sessiya jaratıw
tf.matmul(): Matrica kóbeytiwi
tf.reduce_mean(): Ortasha mánisti esaplaw
TensorFlow 2.0 jańalıqları
TensorFlow 2.0 versiyasında eagerly execution rejimi standart bolıp belgilendi, bul graflar menen jumıs islewdi ápiwayı etedi. Sonıń menen birge, Keras API TensorFlow 2.0 diń tiykarǵı joqarı dárejeli API sı bolıp belgilendi.
TensorFlow menen modellerdi qurıw
import tensorflow as tf
model = tf.keras.Sequential([ tf.keras.layers.Dense(64, activation='relu',
input_shape=(784,)),
tf.keras.layers.Dense(64, activation='relu'), tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
TensorFlow menen úyretiw
history = model.fit(x_train, y_train, epochs=5, validation_split=0.2)
TensorFlow Datasets (TFDS)
TensorFlow Datasets - bul tayar maǵlıwmatlar toplamların júklew hám qollanıw ushın arnalǵan kitapxana. Ol kóplegen mashinalıq oqıtıw tapsırmaları ushın standart maǵlıwmatlar toplamların óz ishine aladı.
TensorFlow Hub. TensorFlow Hub - bul aldın ala úyretilgen modellerdi hám model komponentlerin saqlawǵa hám bólisiwge arnalǵan platforma. Bul transfer oqıtıwın ámelge asırıwda júdá paydalı.
TensorFlow Lite. TensorFlow Lite - bul mobil hám embedded qurılmalar ushın arnalǵan TensorFlow versiyası. Ol modellerdi kishi kólemge kelitirip, tezlikti asırıwǵa múmkinshilik beredi.
MNIST maǵlıwmatlar toplamın klassifikatsiyalaw
Bul mısalda biz TensorFlow járdeminde MNIST maǵlıwmatlar toplamın qollanıp, qol menen jazılǵan sanlardı tanıw modelin quramız hám úyretemiz.
import tensorflow as tf
from tensorflow.keras import layers, models import numpy as np
# MNIST maǵlıwmatlar toplamın júklew
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
# Maǵlıwmatlardı normallashtırıw
x_train = x_train.astype('float32') / 255 x_test = x_test.astype('float32') / 255
# Model qurıw
model = models.Sequential([ layers.Flatten(input_shape=(28, 28)), layers.Dense(128, activation='relu'), layers.Dropout(0.2),
layers.Dense(64, activation='relu'), layers.Dense(10, activation='softmax')
])
# Modeldi kompilatsiya qılıw model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy', metrics=['accuracy'])
# Modeldi úyretiw
history = model.fit(x_train, y_train, epochs=5, validation_split=0.2)
# Modeldi bahalaw
test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2) print(f'\\nTest anıqlıǵı: {test_acc}')
# Jańa súwretti boljamlawǵa mısal test_image = x_test[0]
prediction = model.predict(np.expand_dims(test_image, axis=0)) predicted_digit = np.argmax(prediction)
print(f'Boljamlawǵa kóre súwrettegi san: {predicted_digit}')
Kodtı túsindiriw
Dáslep, TensorFlow hám kerekli moduller import etiledi.
MNIST maǵlıwmatlar toplamı júklenedi hám normallastırıladı.
Sequential model qurıladı, onda bir neshse Dense qatlamlar hám Dropout qatlamı qollanıladı.
Model kompilaciya etiledi, bunda optimizer, joǵaltıw funkciyası hám metrikalar belgilenedi.
Model 5 epoch dawamında úyretiledi, validation_split parametri arqalı úyretiw maǵlıwmatlarınıń 20% validaciya ushın ajıratıladı.
Úyretilgen model test maǵlıwmatları járdeminde bahalanıladı.
Aqırında, test maǵlıwmatlarınan bir súwret alınıp, model járdeminde boljamlanadı hám nátiyje kórsetiledi.
Bul mısal TensorFlow kitapxanasınıń tiykarǵı funkciyaların hám onıń mashinalıq oqıtıwdaǵı qollanılıwın kórsetedi. Bul kodtı orınlap, siz ózińiz TensorFlow járdeminde quramalı emes neyron tarmaq modelin qurıw, úyretiw hám qollanıw processin kóre alasız.
Bir sóz benen aytqanda, TensorFlow - bul kúshli hám kóp funkciyalı mashinalıq oqıtıw kitapxanası. Ol ózinde kóplegen qurallardı jámleydi hám hár qıylı quramalılıqtaǵı mashinalıq oqıtıw modellerin qurıwǵa imkan beredi. TensorFlow 2.0 versiyası menen birge, onı qollanıw júdá ápiwayla boldı hám Keras API menen integraciyası arqalı modeller qurıw procesi tezlesti.
Baqlaw sorawları
1.TensorFlow nege arnalǵan hám onı kim islep shıqqan?
2.TensorFlow kitapxanasındaǵı "Tensor" túsinigi neni ańlatadı?
3.TensorFlow Graph hám Session túsiniklerin túsindirip beriń.
4.TensorFlow 2.0 versiyasında qanday tiykarǵı ózgerisler kiritilgen?
5.TensorFlow menen Keras API arasında qanday baylanıs bar?
6.TensorFlow Datasets (TFDS) nege arnalǵan hám qanday artıqmashlıqları bar?
7.TensorFlow Hub platformasınıń tiykarǵı maqseti neden ibarat?
8.TensorFlow Lite qanday qurılmalar ushın arnalǵan hám onıń qanday artıqmashlıqları bar?
9.TensorFlow menen model qurıwda qollanılatuǵın tiykarǵı qatlamlar qaysılar hám olardıń wazıypaları qanday?
10.TensorFlow modeliniń kompilaciya qılıw procesinde qanday parametrler belgilenedi hám olardıń áhmiyeti nede?