مواد کا جائزہ لیں 
 
 
 
 
 
 
 کون کرایہ استعمال کرنا چاہئے API کے اجزاء لیٹرز ماڈل دیگر API اور اوزار اگلے اقدامات یہ TensorFlow پلیٹ فارم کے اعلی درجے کی API ہے. یہ مشین سیکھنے (ML) کے مسائل کو حل کرنے کے لئے ایک قابل رسائی، اعلی کارکردگی کے انٹرفیس فراہم کرتا ہے، جدید گہری سیکھنے پر توجہ مرکوز کرتا ہے. Keras مشین سیکھنے کے کام کے عمل کے ہر مرحلے کو شامل کرتا ہے، ڈیٹا پروسیسنگ سے ہیرپرامیٹر ٹوننگ تک تنصیب. یہ تیزی سے تجربات کی اجازت دینے پر توجہ مرکوز کے ساتھ تیار کیا گیا تھا. کیریا Keras کے ساتھ، آپ TensorFlow کے وسیع پیمانے پر اور پلیٹ فارم کی صلاحیتوں پر مکمل رسائی حاصل کرسکتے ہیں. آپ کو ایک TPU پوڈ یا GPU کے بڑے گروپوں پر Keras کو چلایا جا سکتا ہے، اور آپ کو براؤزر میں یا موبائل آلات پر چلانے کے لئے Keras ماڈل کو برآمد کرسکتے ہیں. آپ کو ایک ویب API کے ذریعے بھی Keras ماڈل کی خدمت کرسکتے ہیں. Keras مندرجہ ذیل مقاصد کو حاصل کرنے کے ذریعے شناختی بار کو کم کرنے کے لئے ڈیزائن کیا گیا ہے: 
 
 
 
 
 
 سادہ، متوازن انٹرفیس فراہم کرتا ہے. عام استعمال کے معاملے کے لئے ضروری کارروائیوں کی تعداد کو کم کریں. واضح اور فعال غلطی کے پیغامات فراہم کریں. پیچیدگی کی تیزی سے کھولنے کے اصول پر عمل کریں: یہ شروع کرنا آسان ہے، اور آپ آگے بڑھتے ہوئے سیکھنے کے ذریعے اعلی درجے کے کام کی رفتار کو مکمل کرسکتے ہیں. آپ کو مختصر، واضح کوڈ لکھنے میں مدد ملے گی. کون کرایہ استعمال کرنا چاہئے مختصر جواب یہ ہے کہ ہر TensorFlow صارف کو Keras API کا استعمال کرنا چاہئے، چاہے آپ انجینئر، محقق یا ML ماہر ہیں، آپ کو Keras سے شروع کرنا چاہئے. کچھ استعمال کے حالات ہیں (مثال کے طور پر، TensorFlow کے اوپر آلات کی تعمیر یا اپنے اعلی کارکردگی پلیٹ فارم کی ترقی) جو کم سطح کی ضرورت ہوتی ہے لیکن اگر آپ کا استعمال کے معاملے میں سے ایک میں شامل نہیں ہے تو آپ کی ترجیح کرنی چاہئے. TensorFlow کور API API Applications کے لئے API کے اجزاء Keras کی بنیادی اعداد و شمار کی ساختیں ہیں اور ایک layer ایک سادہ input/output transformation ہے، اور ایک ماڈل layers کی ہدایت acyclic graph (DAG) ہے. لیٹرز ماڈل لیٹرز کے زمرہ:مذہبیہ میں کرامت کا حصہ A ‫‪ ،‬جیسا کہ اس کا ایک حصہ ہے اور اس کا ایک حصہ ہے‪ ،‬جیسا کہ اس میں‬ کا طریقہ) tf.keras.layers.Layer Layer tf.keras.layers.Layer.call سطحوں کی طرف سے پیدا کردہ وزن ٹریننگ یا غیر ٹریننگ ہوسکتا ہے. سطحوں کو دوبارہ کمایا جا سکتا ہے: اگر آپ ایک layer instance کو دوسرے layer کے ایک خصوصیات کے طور پر توڑتے ہیں تو، بیرونی layer اندرونی layer کی طرف سے پیدا کردہ وزن کو ٹریک کرنے کے لئے شروع کرے گا. آپ کو ڈیٹا پیش پروسیسنگ کاموں جیسے معیاری اور متن ویکٹوریشن کے ساتھ کام کرنے کے لئے layers بھی استعمال کرسکتے ہیں.Preprocessing layers can be included directly into a model, either during or after training, which makes the model portable. ماڈل ایک ماڈل ایک ایسی اشیاء ہے جو مساوات کو جمع کرتی ہے اور یہ اعداد و شمار پر تربیت کی جا سکتی ہے. سب سے سادہ نمونہ یہ ہے کہ زیادہ پیچیدہ آرکیٹیکلوں کے لئے، آپ کو either Keras کام کے API کا استعمال کرسکتے ہیں، جو آپ کو layers کے arbitrary گرافوں کی تعمیر کرنے کی اجازت دیتا ہے، یا subclassing استعمال کرنے کے لئے ماڈل لکھنے کے لئے نیچے سے. Sequential کے کلاس میں داخلہ تربیت اور ارزیابی کے طریقوں کی خصوصیات ہیں: tf.keras.Model 
 
 
 
 tf.keras.Model.fit: ایک مقررہ تعداد کے لئے ماڈل کو تربیت دیتا ہے. tf.keras.Model.predict: input samples کے لئے output predictions پیدا کرتا ہے. tf.keras.Model.evaluate: ماڈل کے لئے نقصان اور میٹرک اقدار واپس کرتا ہے؛ tf.keras.Model.compile طریقہ کار کے ذریعے ترتیب دیا گیا. یہ طریقے آپ کو مندرجہ ذیل داخلہ تربیت کی خصوصیات تک رسائی فراہم کرتے ہیں: 
 
 
 
 آپ پہلے سے طے شدہ روکنے، ماڈل چیک پینٹنگ، اور TensorBoard نگرانی کے لئے داخلہ کال بیک کا استعمال کرسکتے ہیں. آپ آسانی سے اپنے تربیت کو کئی GPUs، TPUs، یا آلات میں اضافہ کرسکتے ہیں. tf.keras.Model.compile میں steps_per_execution arguments کے ساتھ، آپ کو ایک ہی tf.function کال میں کئی بیٹریوں کو پروسیس کر سکتے ہیں، جس میں TPUs پر آلے کا استعمال بہت بہتر ہوتا ہے. استعمال کرنے کے لئے کس طرح کی تفصیل کے لئے ، تربیت اور تجزیہ گائیڈ دیکھیں.آپ کے اندر اندر داخلہ تربیت اور تجزیہ چیلنجوں کو کس طرح اپنی مرضی کے مطابق کرنے کے لئے جاننے کے لئے، دیکھیں کیا ہوتا ہے کی اپنی مرضی کے مطابق . fit fit() دیگر API اور اوزار کیراس نے گہری سیکھنے کے لئے بہت سے دیگر API اور آلات فراہم کی ہیں، ان میں شامل ہیں: 
 
 
 
 
 آپریٹرز میٹرک خسارے ڈیٹا لوڈز کا استعمال دستیاب API کی ایک مکمل فہرست کے لئے، دیکھیں دیگر کیریا کے منصوبوں اور منصوبوں کے بارے میں مزید جاننے کے لئے، دیکھیں . API کے مترادفات کیریا کا ایشیائی نظام اگلے اقدامات TensorFlow کے ساتھ Keras کا استعمال شروع کرنے کے لئے، مندرجہ ذیل موضوعات کو چیک کریں: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 sequential ماڈل کارکردگی API built-in methods کے ساتھ تربیت اور تجزیہ Subclassing کے ذریعے نئے layers اور ماڈل بنانے Serialization اور بچاؤ Preprocessing layers کے ساتھ کام Fit() میں کیا ہوتا ہے کو اپنی مرضی کے مطابق کریں سڑک سے ایک ٹریننگ لنک لکھیں RNNs کے ساتھ کام Masking & Padding کے بارے میں معلومات اپنے callbacks لکھیں ٹرانسفر سیکھنے & Fine-Tuning Multi-GPU اور تقسیم شدہ تربیت Keras کے بارے میں مزید جاننے کے لئے، مندرجہ ذیل موضوعات دیکھیں : چمکتا ہوں 
 
 
 
 
 
 کے بارے میں Keras انجینئرز کے لئے Keras میں داخلہ محققین کے لئے Keras میں داخلہ API کے مترادفات کیریا کا ایشیائی نظام 
 
 اصل میں TensorFlow ویب سائٹ پر شائع کیا گیا، یہ مضمون یہاں ایک نیا عنوان کے تحت ظاہر ہوتا ہے اور CC BY 4.0 کے تحت لائسنس کیا جاتا ہے. اصل میں TensorFlow ویب سائٹ پر شائع کیا گیا، یہ مضمون یہاں ایک نیا عنوان کے تحت ظاہر ہوتا ہے اور CC BY 4.0 کے تحت لائسنس کیا جاتا ہے. TensorFlow کے لئے TensorFlow کے لئے

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

یہ آڈیو کہانی کی اصل زبان میں تیار کی گئی ہے!

Keras 101: نیورل نیٹ ورک کی تعمیر کے لئے ایک ابتدائی دوست گائیڈ

About Author

تبصرے

ہینگ ٹیگز

یہ مضمون اس میں پیش کیا گیا تھا۔

Related Stories

"Growing Businesses Gives Me a Sense of Purpose." says Flow Ninja Founder/CEO

AI Search Traffic Marketshare for Calling HackerNoon Blogs: 52% OpenAI, 30% Amazon & 18% Perplexity

On Sunday, the 26th of November, 1631

Urbain Grandier by Alexandre Dumas - Table of Links

"Growing Businesses Gives Me a Sense of Purpose." says Flow Ninja Founder/CEO

AI Search Traffic Marketshare for Calling HackerNoon Blogs: 52% OpenAI, 30% Amazon & 18% Perplexity

On Sunday, the 26th of November, 1631

Urbain Grandier by Alexandre Dumas - Table of Links

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps