प्रौद्योगिकी साझेदारी

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

आमुख

सङ्गणकदृष्टौ चित्रवर्गीकरणं मूलभूतं कार्यम् अस्ति, येन सङ्गणकाः स्वयमेव चित्रेषु वस्तुषु परिचयं कर्तुं शक्नुवन्ति । अस्मिन् लेखे वयं Python तथा TensorFlow इत्येतयोः उपयोगं कृत्वा सरलं चित्रवर्गीकरणप्रतिरूपं कार्यान्विष्यामः यत् सर्वेषां कृते AI प्रौद्योगिक्याः मूलभूतविषयान् अवगन्तुं साहाय्यं भवति ।

प्रेप्सति

प्रथमं अस्माभिः केचन आवश्यकाः Python पुस्तकालयाः संस्थापनीयाः । एकं आदेशपङ्क्तिटर्मिनल् उद्घाट्य निम्नलिखितम् आदेशं चालयन्तु ।

pip install tensorflow numpy matplotlib

दत्तांशसमूहं लोडं कुर्वन्तु

वयं प्रसिद्धं MNIST dataset इत्यस्य उपयोगं करिष्यामः, यस्मिन् हस्तलिखितानां अङ्कानां (0 तः 9 पर्यन्तं) चित्राणि सन्ति । TensorFlow इत्यत्र पूर्वमेव एतत् dataset निर्मितम् अस्ति, अतः वयं सुलभतया लोड् कर्तुं शक्नुमः ।

import tensorflow as tf
from tensorflow.keras.datasets import mnist
 
# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
 
# 归一化图像数据
x_train, x_test = x_train / 255.0, x_test / 255.0

मॉडलं निर्मायताम्

वयं चित्रवर्गीकरणाय सरलं तंत्रिकाजालप्रतिरूपं उपयुञ्ज्महे । अस्मिन् मॉडल् मध्ये एकः इनपुट् लेयर (Flatten layer), द्वौ पूर्णतया सम्बद्धौ लेयर् (Dense layer), एकः आउटपुट् लेयर च अस्ति ।

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten
 
# 构建顺序模型
model = Sequential([
    Flatten(input_shape=(28, 28)),  # 输入层：将28x28的图像展平成一维数组
    Dense(128, activation='relu'),  # 隐藏层：128个神经元，使用ReLU激活函数
    Dense(10, activation='softmax') # 输出层：10个神经元，使用Softmax激活函数
])
 
# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

प्रशिक्षणप्रतिरूपम्

अधुना, वयं मॉडल् प्रशिक्षितुं शक्नुमः । वयं मॉडलस्य प्रशिक्षणार्थं प्रशिक्षणदत्तांशस्य (x_train, y_train) उपयोगं करिष्यामः तथा च मॉडलस्य कार्यप्रदर्शनस्य मूल्याङ्कनार्थं परीक्षणदत्तांशस्य (x_test, y_test) उपयोगं करिष्यामः ।

# 训练模型
model.fit(x_train, y_train, epochs=5)
 
# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print('测试准确率:', test_acc)

पूर्वानुमानितं प्रतिबिम्बम्

प्रशिक्षणं समाप्तं कृत्वा वयं नूतनानां चित्राणां पूर्वानुमानार्थं मॉडलस्य उपयोगं कर्तुं शक्नुमः । अत्र परीक्षणदत्तांशतः चित्रे कथं भविष्यवाणीं कर्तुं शक्यते इति दर्शितम् अस्ति ।

import numpy as np
import matplotlib.pyplot as plt
 
# 选择一张测试图像
img = x_test[0]
plt.imshow(img, cmap='gray')
plt.show()
 
# 预测图像类别
img = np.expand_dims(img, 0)  # 扩展维度以匹配模型输入
predictions = model.predict(img)
predicted_class = np.argmax(predictions)
print('预测类别:', predicted_class)

सारांशं कुरुत

अस्मिन् लेखे वयं शुद्धतः आरब्धाः Python तथा TensorFlow इत्येतयोः उपयोगेन सरलं चित्रवर्गीकरणप्रतिरूपं कार्यान्वितवन्तः । अस्य उदाहरणस्य माध्यमेन वयं कथं दत्तांशं लोड् कर्तव्यम्, मॉडल् निर्मातुं, मॉडल् प्रशिक्षितुं, भविष्यवाणीं कर्तुं च ज्ञातवन्तः । आशासे यत् एषः लेखः भवन्तं एआइ-प्रौद्योगिक्याः आरम्भे सहायकः भवितुम् अर्हति तथा च अस्मिन् क्षेत्रे अग्रे अन्वेषणार्थं भवतः रुचिं प्रेरयितुं शक्नोति।

---

अयं लेखः पायथन् तथा TensorFlow इत्येतयोः उपयोगेन सरलं चित्रवर्गीकरणप्रतिरूपं कथं कार्यान्वितुं शक्यते इति परिचययति, तथा च विस्तृतं कोड उदाहरणं प्रदाति यत् एतत् कार्यं पदे पदे पूर्णं कर्तुं सहायकं भवति । सम्प्रति पायथन् अपि अतीव लोकप्रियः अस्ति अवश्यं लेखकः अग्रे गन्तुं न शक्नोति अत्याधुनिकं प्रौद्योगिकीम् आलिंगयितुं सत्यम्। भाषाः सर्वाणि समानानि सन्ति, केवलं ताः शिक्षन्तु!