কেরাস মডেলগুলি ভিজ্যুয়াল করতে আমি কোন সরঞ্জাম ব্যবহার করতে পারি? পুরাতন ক্লিক "একটি ছবি হাজার শব্দের মূল্য" জটিল মেশিন লার্নিং মডেলগুলির সাথে কাজ করার সময় আরও সত্য হতে পারে. আপনি যদি ফটোগ্রাফিক মেমরি সঙ্গে আশীর্বাদ না করেন তবে আপনি শুধুমাত্র কোডের মাধ্যমে পড়লে দ্রুত মডেল আর্কিটেকচারের ট্র্যাক হারাতে পারেন। সৌভাগ্যবশত, মেশিন লার্নিং মডেলগুলি দৃশ্যমান করার কিছু সহজ উপায় রয়েছে. এই গাইডটি কেরাস মডেলগুলির দৃশ্যমানকরণের উপর ফোকাস করে এবং এটি ডেমো করার জন্য নিম্নলিখিত মডেল ( "টেস্ট মডেল") ব্যবহার করে: def build_model(pad_len, imu_dim, tof_dim, n_classes):
   def time_sum(x):
      return K.sum(x, axis=1)

   def squeeze_last_axis(x):
      return tf.squeeze(x, axis=-1)

   def expand_last_axis(x):
      return tf.expand_dims(x, axis=-1)    
    
   filters_l1 = 64
   kernel_l1 = 3
   filters_l2 = 128
   kernel_l2 = 5
   reduction = 8
   pool_size = 2
   drop = 0.3
   wd = 1e-4
    
   inp = Input(shape=(pad_len, imu_dim + tof_dim))
   imu = Lambda(lambda t: t[:, :, :imu_dim])(inp)
   tof = Lambda(lambda t: t[:, :, imu_dim:])(inp)

   # First CNN branch
   shortcut_1 = imu
   x1 = Conv1D(filters_l1, kernel_l1, padding="same", use_bias=False, kernel_regularizer=l2(wd))(imu)
   x1 = BatchNormalization()(x1)
   x1 = Activation("relu")(x1)
   x1 = Conv1D(filters_l1, kernel_l1, padding="same", use_bias=False, kernel_regularizer=l2(wd))(x1)
   x1 = BatchNormalization()(x1)
   x1 = Activation("relu")(x1)

   ch = x1.shape[-1]
   se = GlobalAveragePooling1D()(x1)
   se = Dense(ch//reduction, activation="relu")(se)
   se = Dense(ch, activation="sigmoid")(se)
   se = Reshape((1, ch))(se)
   x1 = Multiply()([x1, se])

   if shortcut_1.shape[-1] != filters_l1:
      shortcut_1 = Conv1D(filters_l1, 1, padding="same", use_bias=False, kernel_regularizer=l2(wd))(shortcut_1)
      shortcut_1 = BatchNormalization()(shortcut_1)
    
   x1 = add([x1, shortcut_1])
   x1 = Activation("relu")(x1)
   x1 = MaxPooling1D(pool_size)(x1)
   x1 = Dropout(drop)(x1)

   shortcut_2 = x1
   x1 = Conv1D(filters_l2, kernel_l2, padding="same", use_bias=False, kernel_regularizer=l2(wd))(x1)
   x1 = BatchNormalization()(x1)
   x1 = Activation("relu")(x1)
   x1 = Conv1D(filters_l2, kernel_l2, padding="same", use_bias=False, kernel_regularizer=l2(wd))(x1)
   x1 = BatchNormalization()(x1)
   x1 = Activation("relu")(x1)

   ch = x1.shape[-1]
   se = GlobalAveragePooling1D()(x1)
   se = Dense(ch//reduction, activation="relu")(se)
   se = Dense(ch, activation="sigmoid")(se)
   se = Reshape((1, ch))(se)
   x1 = Multiply()([x1, se])

   if shortcut_2.shape[-1] != filters_l2:
      shortcut_2 = Conv1D(filters_l2, 1, padding="same", use_bias=False, kernel_regularizer=l2(wd))(shortcut_2)
      shortcut_2 = BatchNormalization()(shortcut_2)

   x1 = add([x1, shortcut_2])
   x1 = Activation("relu")(x1)
   x1 = MaxPooling1D(pool_size)(x1)
   x1 = Dropout(drop)(x1)
    
   # Second CNN branch
   x2 = Conv1D(filters_l1, kernel_l1, padding="same", use_bias=False, kernel_regularizer=l2(wd))(tof)
   x2 = BatchNormalization()(x2)
   x2 = Activation("relu")(x2)
   x2 = MaxPooling1D(2)(x2)
   x2 = Dropout(0.2)(x2)
   x2 = Conv1D(filters_l2, kernel_l1, padding="same", use_bias=False, kernel_regularizer=l2(wd))(x2)
   x2 = BatchNormalization()(x2)
   x2 = Activation("relu")(x2)
   x2 = MaxPooling1D(2)(x2)
   x2 = Dropout(0.2)(x2)    

   merged = Concatenate()([x1, x2])

   xa = Bidirectional(LSTM(128, return_sequences=True, kernel_regularizer=l2(wd)))(merged)
   xb = Bidirectional(GRU(128, return_sequences=True, kernel_regularizer=l2(wd)))(merged)
   xc = GaussianNoise(0.09)(merged)
   xc = Dense(16, activation="elu")(xc)

   x = Concatenate()([xa, xb, xc])
   x = Dropout(0.4)(x)
   score = Dense(1, activation="tanh")(x)
   score = Lambda(squeeze_last_axis)(score)
   weights = Activation("softmax")(score)
   weights = Lambda(expand_last_axis)(weights)
   context = Multiply()([x, weights])
   x = Lambda(time_sum)(context)

   x = Dense(256, use_bias=False, kernel_regularizer=l2(wd))(x)
   x = BatchNormalization()(x)
   x = Activation("relu")(x)
   x = Dropout(0.5)(x)

   x = Dense(128, use_bias=False, kernel_regularizer=l2(wd))(x)
   x = BatchNormalization()(x)
   x = Activation("relu")(x)
   x = Dropout(0.3)(x)

   out = Dense(n_classes, activation="softmax", kernel_regularizer=l2(wd))(x)
   return Model(inp, out)
 যেমন আপনি দেখতে পারেন, উপরের মডেলটি বেশ জটিল। এটি ইন্টারটিাল পরিমাপ ইউনিট ("IMU") এবং অন্যান্য সেন্সর ডেটা থেকে প্যাটার্ন শেখার জন্য ব্যবহৃত হয়। . আপনি দেখতে পাবেন, মূল নোটবুকের মডেল সংজ্ঞাটি কাস্টম বস্তুগুলি ব্যবহার করে মডেল ডিজাইনে পুনরাবৃত্তি করা নির্দিষ্ট লজিকিকে অন্তর্ভুক্ত করে। কাশ্মীর নোটবুক এই গাইডটি নিম্নলিখিত 3 দৃশ্যমানতা সরঞ্জামগুলি আলোচনা করে: 
 
 
 
 
 
 Netron 
 
 The   Python package visualkeras 
 
 TensorBoard 1. আপনার কেরাস মডেল দেখতে নেট্রন ব্যবহার করুন এটি সম্ভবত সবচেয়ে সহজ দৃশ্যমান সরঞ্জাম. আপনি শুধু ক্লিক করতে হবে হোম পৃষ্ঠায় ক্লিক করুন এবং তারপর আপনি যে মডেলটি দেখতে চান তা নির্বাচন করুন. এখানে টেস্ট মডেলের প্রথম কয়েকটি স্তরের একটি দৃশ্যমানতা রয়েছে: নেট্রন Open Model... মডেল লোড করার পরে, আপনি তাদের বৈশিষ্ট্যগুলি দেখতে মডেল গ্রাফে নোটগুলি ক্লিক করতে পারেন: আপনি মডেল গ্রাফ রপ্তানি করতে পারেন এবং প্রধান মেনু আইকন ক্লিক করে এবং উপযুক্ত রপ্তানি বিকল্প নির্বাচন করে। .png .svg ২. ব্যবহার আপনার কেরাস মডেল দেখতে visualkeras ভিজিটর এর পাইথন প্যাকেজটি ব্যবহার করা খুব সহজ এবং প্রশিক্ষণের আগে একটি মডেল দৃশ্যমান করার একটি সুবিধাজনক উপায় সরবরাহ করে। : visualkeras pip pip install visualkeras
 নিম্নলিখিত পাইথন কোড প্যাকেজের মৌলিক ব্যবহারকে প্রমাণ করে: # [Imports for your Keras model here...]
import visualkeras

# [Utility function to build your Keras model...]
def build_model(model_params):
   # [Your model definition here...]

# [Build the model...]
model = build_model(model_params)

# [Visualize the model...]
visualkeras.graph_view(model).show()
 এর পদ্ধতি পরীক্ষার মডেলের প্রথম কয়েকটি স্তরগুলির নিম্নলিখিত গ্রাফিক্স উত্পাদন করে: graph_view প্যাকেজটি এছাড়াও একটি পদ্ধতি যা মডেল স্তরগুলির একটি গ্রাফিক্স উত্পাদন করে যা প্রকার এবং আকার দ্বারা আলাদা হয়: layered_view visualkeras.layered_view(model, legend=True).show()
 দেখা যাচ্ছে, পাশে দুটি প্যারামিটার প্রতিটি স্তরকে বর্ণনা করে একটি পাঠ গঠন করে: True legend এর একটি সুবিধা হল প্যাকেজ কিভাবে গ্রাফিক্স প্রদর্শন করা হয় উপর এটি নিয়ন্ত্রণ প্রদান করে. আপনি গ্রাফিক্স আউটপুট পরিবর্তন করার জন্য ব্যবহৃত প্যারামিটারগুলি দেখতে পারেন পাতা visualkeras প্যাকেজ ডকুমেন্টেশন ৩. ব্যবহার একটি Keras মডেল দেখতে TensorBoard টেনসারবোর্ড একটি Keras মডেল দৃশ্যমান করার জন্য একটি সুবিধাজনক বিকল্প কারণ এটি একসঙ্গে ইনস্টল করা হয় একটু "ম্যাসেজিং" দিয়ে, এটি ব্যবহার করাও সম্ভব প্রশিক্ষণের আগে একটি মডেলের কাঠামো দেখতে। TensorBoard TensorFlow TensorBoard ৩.১ ইনস্টল করা প্যাকিং jupyter-tensorboard এই বিভাগটি ব্যবহার করে A এর মধ্যে এজন্য ইনস্টলেশন প্রয়োজন। প্যাকেজ, যা তারপর কয়েকটি নির্ভরশীলতা আছে. ইনস্টল করার জন্য নিম্নলিখিত পদক্ষেপগুলি ব্যবহার করুন : TensorBoard Jupyter notebook jupyter-tensorboard jupyter-tensorboard 
 
 
 
 
 
 Install the   package using  . jupyter pip install jupyer 
 
 Use the   command to   the   package which was installed with the   package installation process. The version of the   package installed with   which is   as of this writing is not compatible with  . This downgrade step installs a version of the   package that is compatible with  . See this   for more information. pip install --upgrade notebook==6.4.12 downgrade notebook jupyter notebook jupyter 7.4.5 jupyter-tensorboard notebook jupyter-tensorboard StackOverflow article 
 
 Install the   package using  . jupyter-tensorboard pip install jupyter-tensorboard 3.2 আপনার কেরাস মডেলকে দৃশ্যমান করার জন্য একটি Jupyter নোটবুক সেট আপ করুন উপরে উল্লেখিত হিসাবে, আপনি একটি Keras মডেল দেখতে পারেন এটি প্রশিক্ষণের আগে. নিম্নলিখিত Jupyter নোটকোডটি প্রবর্তন বিভাগ থেকে টেস্ট মডেল ব্যবহার করে এটি কীভাবে করা যায় তা দেখায়: TensorBoard # Cell 1: Imports
import tensorflow as tf
from tensorflow.keras.models import Model, load_model
from tensorflow.keras.layers import (
   Input, Conv1D, BatchNormalization, Activation, add, MaxPooling1D, Dropout,
   Bidirectional, LSTM, GlobalAveragePooling1D, Dense, Multiply, Reshape,
   Lambda, Concatenate, GRU, GaussianNoise
)
from tensorflow.keras.regularizers import l2
from tensorflow.keras import backend as K

# Cell 2: Set logs directory
LOG_DIR = "logs"

# Cell 3: Utility function to build model
# [`build-model` function for test model from introductory section here...]

# Cell 4: Build the model
model = build_model(398, 12, 335, 18)

# Cell 5: Compile the model
model.compile(optimizer="adam", loss="categorical_crossentropy", metrics=["accuracy"])

# Cell 6: Create a TensorBoard callback
tensorboard_callback = tf.keras.callbacks.TensorBoard(
   log_dir=LOG_DIR,
   histogram_freq=1,
   write_graph=True,
   profile_batch=0 # Disable profiling
)

# Cell 7: Create dummy `x` and `y` training inputs that match model input and output shapes
dummy_x_input = tf.random.normal((1, 398, 347)) # Batch size 1, input shape (398,347)
dummy_y_input = tf.random.normal((1, 18)) # Batch size 1, input shape (18, )

# Cell 8: "Train" the model for zero epochs to create a conceptual graph of the model
model.fit(dummy_x_input, dummy_y_input, epochs=0, batch_size=1, callbacks=[tensorboard_callback])

# Cell 9: Load the TensorBoard notebook extension
%load_ext tensorboard

# Cell 10: Launch TensorBoard
%tensorboard --logdir $LOG_DIR --host localhost
 যদি আপনি উপরের Jupyter নোটকোডটি চালান, তাহলে শেষ সেলটি উৎপাদন করতে হবে . সেল সম্পন্ন হলে, আপনি ন্যাভিগেশন করতে পারেন দেখার জন্য ড্যাশবোর্ড Launching TensorBoard http://localhost:6006 TensorBoard 
 
 আপনি TensorBoard পোর্ট সংশোধন করতে পারেন --পোর্ট বিকল্পটি %tensorboard ম্যাজিক কমান্ডে পাস করে, উদাহরণস্বরূপ %tensorboard --logdir $LOG_DIR --host localhost --port 8088. আপনি TensorBoard পোর্ট পরিবর্তন করতে পারেন এর জন্য বিকল্প জাদু বাহিনী, জি . --port %tensorboard %tensorboard --logdir $LOG_DIR --host localhost --port 8088 
 
 টিপ: আমি উইন্ডোজ 10 এ কাজ করছি, যেখানে আমি TensorBoard সম্পর্কিত কিছু অদ্ভুত আচরণ লক্ষ্য করেছি. প্রতিবার যখন আমি একটি Jupyter নোটবুক চালানোর জন্য TensorBoard সঠিকভাবে চালানোর জন্য, আমি প্রথমে C:\Users\[MY_WINDOWS_USERNAME]\AppData\Local\Temp\.tensorboard-info ডিরেক্টরি থেকে সমস্ত সাময়িক ফাইল মুছে ফেলতে হবে. টিপ: আমি উইন্ডোজ 10 এ কাজ করছি, যেখানে আমি TensorBoard সম্পর্কিত কিছু অদ্ভুত আচরণ লক্ষ্য করেছি. প্রতিবার যখন আমি একটি Jupyter নোটবুক চালানোর জন্য TensorBoard সঠিকভাবে চালানোর জন্য, আমি প্রথমে C:\Users\[MY_WINDOWS_USERNAME]\AppData\Local\Temp\.tensorboard-info ডিরেক্টরি থেকে সমস্ত সাময়িক ফাইল মুছে ফেলতে হবে. 3.3 TensorBoard সঙ্গে আপনার Keras মডেল ভিজ্যুয়াল TensorBoard স্বয়ংক্রিয়ভাবে খুলতে হবে ড্যাশবোর্ড. এটি না হলে, আপনি ক্লিক করতে পারেন মেনু বিকল্প বা আপনি বিকল্প নির্বাচন করতে পারেন ডাউনলোড মেনু থেকে Graphs Graphs Graphs এর থেকে ভিজিটর, নির্বাচন আপনার মডেলের কাঠামো দেখতে. আপনি প্রথমে পুরো মডেলকে প্রতিনিধিত্ব করে একটি একক নোট দেখতে হবে. সাব-গ্রাফ কাঠামো দেখতে নোটটিতে ডাবল ক্লিক করুন. Graphs Conceptual graph আপনি তাদের বৈশিষ্ট্যগুলি দেখতে উপ-গ্রাফ কাঠামো মধ্যে পৃথক নোটগুলি দ্বিগুণ ক্লিক করতে পারেন. TensorBoard এছাড়াও আপনি মডেল গ্রাফ রপ্তানি করতে সক্ষম ফরম্যাট .png উপসংহার উপরে আলোচিত প্রতিটি দৃশ্যমান পদ্ধতিতে তার সুবিধা এবং অসুবিধা রয়েছে. Netron প্রশিক্ষিত মডেলগুলির সাথে ব্যবহার করা অত্যন্ত সহজ, যখন যেমন দেখা যায়, TensorBoard অশিক্ষিত মডেলগুলির সাথেও ব্যবহার করা যেতে পারে, কিন্তু সঠিকভাবে সেট আপ করার জন্য একটু বেশি কাজ প্রয়োজন। visualkeras

This story contains new, firsthand information uncovered by the writer.

The code in this story is for educational purposes. The readers are solely responsible for whatever they build with it.

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Read My Stories

গল্পের মূল ভাষায় এই অডিও তৈরি!

কেরাস মেশিন শেখার মডেলগুলি সহজেই ভিজ্যুয়াল করার 3 উপায়

About Author

মন্তব্য

আসে ট্যাগ

এই নিবন্ধটি উপস্থাপন করা হয়েছে

Related Stories

ক্রিপ্টো গ্রোথ: কার্যকরী ব্যবহারকারী ব্যক্তিত্ব তৈরি করা

কিভাবে 10X দ্বারা আপনার কর্মপ্রবাহ উন্নত করবেন: 17টি প্রয়োজনীয় অ্যাপ

আয় করতে ট্যাপ করুন: টেলিগ্রাম সোলানার আগে পরবর্তী 10 বিলিয়ন ক্রিপ্টো ব্যবহারকারীদের অনবোর্ড করতে পারে

ডিজিটাল যাযাবর শুনুন: থাইল্যান্ডের নতুন ডিটিভি ভিসা সম্পর্কে আপনার যা জানা দরকার

ক্রিপ্টো গ্রোথ: কার্যকরী ব্যবহারকারী ব্যক্তিত্ব তৈরি করা

কিভাবে 10X দ্বারা আপনার কর্মপ্রবাহ উন্নত করবেন: 17টি প্রয়োজনীয় অ্যাপ

আয় করতে ট্যাপ করুন: টেলিগ্রাম সোলানার আগে পরবর্তী 10 বিলিয়ন ক্রিপ্টো ব্যবহারকারীদের অনবোর্ড করতে পারে

ডিজিটাল যাযাবর শুনুন: থাইল্যান্ডের নতুন ডিটিভি ভিসা সম্পর্কে আপনার যা জানা দরকার

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps