ဥပမာ 2 မော်ဒယ်
ဒေတာကို မွှေနှောက်ပါ။
သင်တန်းမစမီ ဒေတာကို အမြဲတမ်း မွှေပါ။
မော်ဒယ်တစ်ခုအား လေ့ကျင့်သင်ကြားသောအခါတွင် ဒေတာကို အတွဲငယ်များ (အတွဲလိုက်) ခွဲခြားထားသည်။ ထို့နောက် တစ်သုတ်စီကို မော်ဒယ်သို့ ကျွေးသည်။ မော်ဒယ်သည် တူညီသောဒေတာကို ထပ်၍မရရှိစေရန် မွှေနှောက်ခြင်းသည် အရေးကြီးပါသည်။ တူညီသောဒေတာကို နှစ်ကြိမ်အသုံးပြုပါက၊ မော်ဒယ်သည် ဒေတာကို ယေဘူယျအားဖြင့် ဖော်ပြနိုင်မည်ဖြစ်ပြီး မှန်ကန်သောအထွက်ကို ထုတ်ပေးနိုင်မည်မဟုတ်ပါ။ မွှေနှောက်ခြင်းသည် အသုတ်တစ်ခုစီတွင် ပိုမိုကောင်းမွန်သော အချက်အလက်မျိုးစုံကို ပေးသည်။
ဥပမာ
tf.util.shuffle(data);
TensorFlow Tensor
TensorFlow ကိုအသုံးပြုရန်၊ ထည့်သွင်းဒေတာကို tensor ဒေတာအဖြစ် ပြောင်းလဲရန် လိုအပ်သည်-
// Map x values to Tensor inputs
const inputs = values.map(obj => obj.x);
// Map y values to Tensor labels
const labels = values.map(obj => obj.y);
// Convert inputs and labels to 2d tensors
const inputTensor = tf.tensor2d(inputs, [inputs.length, 1]);
const labelTensor = tf.tensor2d(labels, [labels.length, 1]);
Data Normalization
အာရုံကြောကွန်ရက်တွင် အသုံးမပြုမီ ဒေတာကို ပုံမှန်ဖြစ်အောင် ပြုလုပ်သင့်သည်။
min-max ကိုအသုံးပြုထားသော 0 - 1 အပိုင်းအခြားသည် ဂဏန်းဒေတာအတွက် အကောင်းဆုံးဖြစ်သည်-
const inputMin = inputTensor.min();
const inputMax = inputTensor.max();
const labelMin = labelTensor.min();
const labelMax = labelTensor.max();
const nmInputs = inputTensor.sub(inputMin).div(inputMax.sub(inputMin));
const nmLabels = labelTensor.sub(labelMin).div(labelMax.sub(labelMin));
Tensorflow မော်ဒယ်
Machine Learning Model သည် input မှ output ကိုထုတ်ပေးသည့် algorithm တစ်ခုဖြစ်သည်။
ဤဥပမာသည် ML Model ကို သတ်မှတ်ရန် စာကြောင်း ၃ ကြောင်းကို အသုံးပြုသည် ။
const model = tf.sequential();
model.add(tf.layers.dense({inputShape: [1], units: 1, useBias: true}));
model.add(tf.layers.dense({units: 1, useBias: true}));
ဆင့်ကဲ ML မော်ဒယ်
const မော်ဒယ် = tf.sequential(); Sequential ML Model တစ်ခုကို ဖန်တီးသည် ။
ဆင့်ကဲပုံစံတစ်ခုတွင်၊ input သည် output သို့ တိုက်ရိုက်စီးဆင်းသည်။ အခြားမော်ဒယ်များတွင် သွင်းအားစုများစွာနှင့် အထွက်များစွာ ပါဝင်နိုင်သည်။ Sequential သည် အလွယ်ကူဆုံး ML မော်ဒယ်ဖြစ်သည်။ ၎င်းသည် သင့်အား နောက်အလွှာနှင့် ကိုက်ညီသော အလေးများနှင့်အတူ အလွှာအလိုက် မော်ဒယ်အလွှာတစ်ခုကို တည်ဆောက်နိုင်စေမည်ဖြစ်သည်။
TensorFlow အလွှာများ
model.add() ကို မော်ဒယ်သို့ အလွှာနှစ်ခုထည့်ရန် အသုံးပြုသည်။
tf.layer.dense သည် ကိစ္စအများစုတွင် အလုပ်လုပ်သော အလွှာအမျိုးအစားဖြစ်သည်။ ၎င်းသည် ၎င်း၏သွင်းအားစုများကို အလေးချိန်-မက်ထရစ်ဖြင့် မြှောက်ကာ ရလဒ်သို့ နံပါတ်တစ်ခု (ဘက်လိုက်မှု) ပေါင်းထည့်သည်။
ပုံသဏ္ဍာန်များနှင့် ယူနစ်များ
inputShape- [1] ကျွန်ုပ်တို့ တွင် 1 input (x = အခန်းများ) ရှိသောကြောင့်ဖြစ်သည်။
ယူနစ်များ- 1 သည် အလေးချိန် matrix ၏ အရွယ်အစားကို သတ်မှတ်သည်- ထည့်သွင်းမှုတစ်ခုစီအတွက် (x တန်ဖိုး) အတွက် 1 အလေးချိန်။
Model တစ်ခု ပြုစုခြင်း။
မော်ဒယ်ကို သတ်မှတ်ထားသော optimizer နှင့် ဆုံးရှုံးမှု function ဖြင့် စုစည်းပါ-
model.compile({loss: 'meanSquaredError', optimizer:'sgd'});
compiler သည် sgd optimizer ကို အသုံးပြုရန် သတ်မှတ်ထားသည်။ ၎င်းသည်အသုံးပြုရန်ရိုးရှင်းပြီးအတော်လေးထိရောက်သည်။
meanSquaredError သည် မော်ဒယ်ခန့်မှန်းချက်များနှင့် စစ်မှန်သောတန်ဖိုးများကို နှိုင်းယှဉ်ရန် ကျွန်ုပ်တို့အသုံးပြုလိုသည့် လုပ်ဆောင်ချက်ဖြစ်သည်။