Einführung in TensorFlow für künstliche Intelligenz, maschinelles Lernen und Deep Learning: Teil 1 | von Yash | Juni 2023

In der Welt des Codierens besteht ein traditioneller Ansatz darin, komplexe Anforderungen sorgfältig in überschaubare Probleme zu zerlegen und Code zu schreiben, um jedes einzelne Drawback zu lösen. Das Aufkommen des maschinellen Lernens hat diesen Prozess jedoch revolutioniert und die Artwork und Weise, wie wir Probleme angehen, grundlegend verändert. Maschinelles Lernen funktioniert durch die Eingabe von Daten und gewünschten Ergebnissen und erstellt im Gegenzug Regeln oder Muster, um diese Ergebnisse zu erzielen. Diese Technik erweist sich als unschätzbar wertvoll, wenn es um Probleme geht, die mit herkömmlichen regelbasierten Methoden schwer oder gar nicht zu entschlüsseln sind. Anstatt das Drawback explizit als Regelwerk auszudrücken, nutzt maschinelles Lernen große Mengen beschrifteter Beispiele, um das System zu trainieren. Durch dieses Coaching sind Algorithmen für maschinelles Lernen in der Lage, zugrunde liegende Regeln abzuleiten, indem sie Muster in den Daten erkennen und analysieren. An der Spitze der Mustererkennung beim maschinellen Lernen stehen neuronale Netze, die sich zu den Arbeitspferden des Deep Studying entwickelt haben. Bemerkenswerterweise erfordert die Implementierung neuronaler Netze oft nur wenige Codezeilen und bietet so eine relativ einfache Möglichkeit, ihre Leistungsfähigkeit zu nutzen. Der Aufstieg des Deep Studying hat eine neue Ära der Möglichkeiten eingeläutet und bietet mehr als nur einen alternativen Ansatz zur traditionellen Codierung. Es hat die Artwork und Weise, wie wir an die Problemlösung herangehen, verändert und es uns ermöglicht, komplexe Herausforderungen mit beispielloser Effizienz und Innovation anzugehen.

Beim maschinellen Lernen handelt es sich um Lernmuster, die verschiedene Dinge unterscheiden.

Beispiel :

Schreiben Sie ein Modell, um die Regeln für x→y aus den Daten zu ermitteln:

x = [-1.0,  0.0, 1.0, 2.0, 3.0, 4.0]
y = [-3.0, -1.0, 1.0, 3.0, 5.0, 7.0]

import tensorflow as tf
import numpy as np
from tensorflow import keras
# Construct a easy Sequential mannequin
mannequin = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])
# Compile the mannequin
mannequin.compile(optimizer='sgd', loss='mean_squared_error')
# Declare mannequin inputs and outputs for coaching
xs = np.array([-1.0,  0.0, 1.0, 2.0, 3.0, 4.0], dtype=float)
ys = np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0], dtype=float)
# Prepare the mannequin
mannequin.match(xs, ys, epochs=500)
# Make a prediction
print(mannequin.predict([10.0]))
# Output : [[18.980131]]

Code-Erklärung:

• Der Code importiert die erforderlichen Bibliotheken: TensorFlow, NumPy und Keras.
• Ein sequentielles Modell wird definiert mit tf.keras.Sequential()wodurch ein linearer Stapel von Ebenen erstellt wird.
• Das Modell hat eine einzelne dichte Schicht mit einem Neuron (items=1) und eine Eingabeform mit einem Wert (input_shape=[1]).
• Das Modell wird mithilfe des stochastischen Gradientenabstiegs erstellt (optimizer='sgd') als Optimierer und mittlerer quadratischer Fehler (loss='mean_squared_error') als Verlustfunktion.
• Die Trainingsdaten werden mit deklariert xs Darstellung der Eingabewerte und ys Darstellung der entsprechenden Ausgabewerte.
• Das Modell wird mit trainiert mannequin.match() durch Bereitstellung der Eingabe- und Ausgabedaten (xs Und ys) und Angabe der Anzahl der Epochen mit 500.
• Nach dem Coaching macht das Modell eine Vorhersage für einen unsichtbaren Eingabewert (10.0) verwenden mannequin.predict().
• Die vorhergesagte Ausgabe wird auf der Konsole gedruckt.

Frage :

# Make a prediction
print(mannequin.predict([10.0]))

**Think about that home pricing is as simple as:A home has a base value of 50k, and each extra bed room provides a value of 50k. This may make a 1 bed room home value 100k, a 2 bed room home value 150k and so forth.How would you create a neural community that learns this relationship in order that it will predict a 7 bed room home as costing near 400k and so forth.Trace: Your community may work higher in case you scale the home value down. You do not have to provide the reply 400...it is likely to be higher to create one thing that predicts the quantity 4, after which your reply is within the 'tons of of 1000's' and so forth.**

Code:

import tensorflow as tf
import numpy as np
# GRADED FUNCTION: house_model
def house_model():
### START CODE HERE
# Outline enter and output tensors with the values for homes with 1 as much as 6 bedrooms
# Trace: Keep in mind to explictly set the dtype as float
xs = np.array([0,1,2,3,4,5,6,7,8,9],dtype = float)
ys = np.array([0.5,1.0,1.5,2.0,2.5,3.0,3.5,4.0,4.5,5.0],dtype = float)
# Outline your mannequin (ought to be a mannequin with 1 dense layer and 1 unit)
mannequin = tf.keras.Sequential([tf.keras.layers.Dense(units=1,input_shape=[1])])
# Compile your mannequin
# Set the optimizer to Stochastic Gradient Descent
# and use Imply Squared Error because the loss perform
mannequin.compile(optimizer='sgd', loss='mean_squared_error')
# Prepare your mannequin for 1000 epochs by feeding the i/o tensors
mannequin.match(xs, ys, epochs=1000)
### END CODE HERE
return mannequin
# Declare mannequin inputs and outputs for coaching
xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype=float)
ys = np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0], dtype=float)
# Prepare the mannequin
mannequin.match(xs, ys, epochs=500)
# Make a prediction
print(mannequin.predict([10.0]))

Quelle : https://www.coursera.org/learn/introduction-tensorflow/
Codequelle : https://github.com/https-deeplearning-ai/tensorflow-1-public/tree/main/C1/W1

Verbinde dich mit mir : https://www.linkedin.com/in/yash-bhaskar/
Weitere Artikel wie dieser : https://medium.com/@yash9439