Tensorflow là một khuôn khổ học máy do Google cung cấp. Nó là một khung công tác mã nguồn mở được sử dụng cùng với Python để triển khai các thuật toán, ứng dụng học sâu và hơn thế nữa. Nó được sử dụng trong nghiên cứu và cho mục đích sản xuất. Nó có các kỹ thuật tối ưu hóa giúp thực hiện các phép toán phức tạp một cách nhanh chóng.
Điều này là do nó sử dụng NumPy và mảng đa chiều. Các mảng đa chiều này còn được gọi là 'tensors'. Khung hỗ trợ làm việc với mạng nơ-ron sâu. Nó có khả năng mở rộng cao và đi kèm với nhiều bộ dữ liệu phổ biến. Nó sử dụng tính toán GPU và tự động hóa việc quản lý tài nguyên. Nó đi kèm với vô số thư viện học máy, được hỗ trợ tốt và được lập thành tài liệu. Khung có khả năng chạy các mô hình mạng nơ-ron sâu, đào tạo chúng và tạo các ứng dụng dự đoán các đặc điểm liên quan của các bộ dữ liệu tương ứng.
Gói 'tensorflow' có thể được cài đặt trên Windows bằng dòng mã bên dưới -
pip install tensorflow
Tensor là một cấu trúc dữ liệu được sử dụng trong TensorFlow. Nó giúp kết nối các cạnh trong một sơ đồ luồng. Sơ đồ luồng này được gọi là 'Biểu đồ luồng dữ liệu'. Hàng căng không là gì ngoài mảng nhiều chiều hoặc một danh sách. Chúng có thể được xác định bằng ba thuộc tính chính -
Mục đích đằng sau bài toán hồi quy là dự đoán đầu ra của một biến số liên tục hoặc rời rạc, chẳng hạn như giá cả, xác suất, liệu trời có mưa hay không, v.v.
Tập dữ liệu chúng tôi sử dụng được gọi là tập dữ liệu ‘Auto MPG’. Nó chứa hiệu suất nhiên liệu của ô tô những năm 1970 và 1980. Nó bao gồm các thuộc tính như trọng lượng, mã lực, dịch chuyển, v.v. Với điều này, chúng ta cần dự đoán hiệu quả sử dụng nhiên liệu của các loại xe cụ thể.
Chúng tôi đang sử dụng Google Colaboratory để chạy đoạn mã dưới đây. Google Colab hoặc Colaboratory giúp chạy mã Python qua trình duyệt và không yêu cầu cấu hình cũng như quyền truy cập miễn phí vào GPU (Đơn vị xử lý đồ họa). Colaboratory đã được xây dựng trên Jupyter Notebook.
Sau đây là đoạn mã -
Ví dụ
hrspwr = np.array(train_features['Horsepower'])
print("The data is being normalized")
hrspwr_normalizer = preprocessing.Normalization(input_shape=[1,])
hrspwr_normalizer.adapt(hrspwr)
hrspwr_model = tf.keras.Sequential([
hrspwr_normalizer,
layers.Dense(units=1)
])
print("The statistical data sample ")
hrspwr_model.summary()
print("The predicted output ")
hrspwr_model.predict(hrspwr[:7])
print("The model is being compiled : ")
hrspwr_model.compile(
optimizer=tf.optimizers.Adam(learning_rate=0.1),
loss='mean_absolute_error') Mã tín dụng - https://www.tensorflow.org/tutorials/keras/regression
Đầu ra
Giải thích
-
Giá trị ‘MPG’ từ ‘Mã lực’ cần được dự đoán.
-
Mô hình Keras được đào tạo bằng cách xác định kiến trúc của mô hình.
-
Mô hình được định nghĩa ở đây là mô hình ‘tuần tự’. Nó chỉ ra một chuỗi các bước.
-
Đầu tiên, đầu vào 'mã lực' được chuẩn hóa.
-
Phép biến đổi tuyến tính (y =mx + b) được áp dụng sẽ tạo ra kết quả đầu ra với sự trợ giúp của lớp dày đặc ‘layer.Dense’.
-
Lớp chuẩn hóa 'mã lực' được tạo.