पुस्तक "डीप लर्निंग इन पाइथन"

डीप लर्निंग मशीन लर्निंग एल्गोरिदम का एक सेट है जो कई गैर-रेखीय परिवर्तनों से युक्त आर्किटेक्चर का उपयोग करके डेटा में उच्च-स्तरीय अमूर्त मॉडल करता है। सहमत, यह वाक्यांश धमकी भरा लगता है। लेकिन सब कुछ इतना डरावना नहीं है अगर फ्रांकोइस शॉले, जिन्होंने न्यूरल नेटवर्क के साथ काम करने के लिए सबसे शक्तिशाली पुस्तकालय केर को बनाया, गहरी सीखने की बात करता है। विस्तृत क्षेत्रों से व्यावहारिक उदाहरणों के साथ गहन सीखने का अनुभव करें। पुस्तक को दो भागों में विभाजित किया गया है: पहली को सैद्धांतिक नींव दी गई है, दूसरा विशिष्ट समस्याओं को हल करने के लिए समर्पित है। यह आपको न केवल डीएल की मूल बातें समझने की अनुमति देगा, बल्कि यह भी सीखेगा कि व्यवहार में नए अवसरों का उपयोग कैसे करें।

सीखना एक जीवन भर की यात्रा है, विशेष रूप से कृत्रिम बुद्धिमत्ता के क्षेत्र में, जहाँ निश्चितता से अधिक अज्ञात हैं। अंदर "केरस एंड टेन्सरबोर्ड कॉलबैक का उपयोग करते हुए डीप लर्निंग मॉडल का अनुसंधान और निगरानी से एक अंश है।"

इस पुस्तक के बारे में

पुस्तक उन सभी के लिए लिखी गई है जो खरोंच से गहरी सीखने की तकनीक का अध्ययन शुरू करना चाहते हैं या अपने ज्ञान का विस्तार करना चाहते हैं। मशीन लर्निंग इंजीनियर, सॉफ्टवेयर डेवलपर्स और छात्रों को इन पृष्ठों पर बहुत अधिक मूल्य मिलेगा।

यह पुस्तक वास्तविक शिक्षा का गहन अध्ययन करती है। हमने गणितीय सूत्रों से बचने की कोशिश की, कोड के टुकड़ों का उपयोग करके मात्रात्मक अवधारणाओं की व्याख्या करना और मशीन के मूल विचारों और गहरी सीखने की व्यावहारिक समझ का निर्माण करना।

आप विस्तृत टिप्पणियों, व्यावहारिक सिफारिशों और विशिष्ट समस्याओं को हल करने में गहरी सीखने का उपयोग करने के लिए आपको जो कुछ भी जानने की आवश्यकता है, उसकी सरल सामान्यीकृत व्याख्या के साथ कार्यक्रम कोड के 30 से अधिक उदाहरण देखेंगे।

उदाहरण पायथन और टेन्सरफ्लो पुस्तकालय में आंतरिक तंत्र के रूप में लिखे गए केरस गहन शिक्षण ढांचे का उपयोग करते हैं। केरस सबसे लोकप्रिय और सबसे तेजी से बढ़ते गहरे शिक्षण ढाँचों में से एक है। यह अक्सर शुरुआती लोगों के लिए गहन सीखने के लिए सबसे सफल उपकरण के रूप में अनुशंसित है।

इस पुस्तक को पढ़ने के बाद, आप स्पष्ट रूप से समझ पाएंगे कि गहरी शिक्षा क्या है, कब लागू होती है और इसकी क्या सीमाएँ हैं। आप मशीन सीखने की समस्याओं की व्याख्या करने और हल करने की मानक प्रक्रिया और सामान्य समस्याओं से निपटने के तरीके के बारे में जानेंगे। आप सीखेंगे कि व्यावहारिक समस्याओं को हल करने के लिए केरस का उपयोग कैसे करें - पैटर्न मान्यता से लेकर प्राकृतिक भाषा प्रसंस्करण तक: छवि वर्गीकरण, अस्थायी पूर्वानुमान, भावनाओं का विश्लेषण, छवि और पाठ पीढ़ी और बहुत कुछ।

केर और टेन्सरबर्ड कॉलबैक का उपयोग करके गहन शिक्षण मॉडल का अनुसंधान और निगरानी करें

इस खंड में, हम प्रशिक्षण और प्रबंधन के दौरान मॉडल के आंतरिक तंत्र तक अधिक पूर्ण पहुंच प्राप्त करने के तरीकों पर ध्यान देंगे। एक बड़े डेटा सेट पर प्रशिक्षण प्रक्रिया का शुभारंभ करना और मॉडल.एफ़िट () या मॉडल.फिट_गेंनेटर () का उपयोग करके दर्जनों युगों के लिए स्थायी होना एक पेपर हवाई जहाज के प्रक्षेपण जैसा दिखता है: एक प्रारंभिक आवेग देते हुए, आप इसके उड़ान पथ या लैंडिंग साइट को नियंत्रित नहीं करते हैं। नकारात्मक परिणामों (और एक पेपर हवाई जहाज के नुकसान) से बचने के लिए, कागज हवाई जहाज का उपयोग नहीं करना बेहतर है, लेकिन एक नियंत्रित ड्रोन जो पर्यावरण का विश्लेषण करता है, इसके बारे में जानकारी ऑपरेटर को वापस भेजता है और स्वचालित रूप से उनके वर्तमान स्थिति के आधार पर पतवारों को नियंत्रित करता है। यहां प्रस्तुत की जाने वाली तकनीकें कॉल को मॉडल एफ़िट () को एक कागज के हवाई जहाज से एक बुद्धिमान स्वायत्त ड्रोन में बदल देंगी, जो अपनी स्थिति का मूल्यांकन करने और नियंत्रण क्रियाओं को समय पर करने में सक्षम हैं।

प्रशिक्षण के दौरान मॉडल को प्रभावित करने के लिए कॉलबैक का उपयोग करना

मॉडल प्रशिक्षण के कई पहलुओं का पहले से अनुमान नहीं लगाया जा सकता है। उदाहरण के लिए, कोई भी पहले से तय नहीं कर सकता कि परीक्षण सेट पर नुकसान का इष्टतम मूल्य प्रदान करने वाले युगों की संख्या। अब तक उद्धृत उदाहरणों में, पर्याप्त संख्या में युगों के साथ एक सीखने की रणनीति का उपयोग किया गया है। इस प्रकार, जब पहली बार प्रशिक्षण युग की आवश्यक संख्या का पता लगाने के लिए पहली बार प्रदर्शन किया जाता है, तब रिट्रेनिंग का प्रभाव प्राप्त होता है, और तब दूसरा नया होता है, शुरू से ही चयनित इष्टतम संख्या वाले युगों से। बेशक, यह एक बेकार की रणनीति है।

यह सीखना बेहतर होगा कि जैसे ही यह पता चले कि परीक्षण सेट पर नुकसान का अनुमान सुधरना बंद हो गया है। यह केरस कॉलबैक तंत्र का उपयोग करके लागू किया जा सकता है। कॉलबैक एक ऑब्जेक्ट है (एक वर्ग का एक उदाहरण जो विशिष्ट विधियों को लागू करता है), जिसे फिट करने के लिए एक कॉल के माध्यम से मॉडल को पास किया जाता है और जिसे सीखने की प्रक्रिया में विभिन्न बिंदुओं पर मॉडल द्वारा बुलाया जाएगा। उसके पास मॉडल की स्थिति और उसकी गुणवत्ता के बारे में सभी जानकारी तक पहुंच है और निम्नलिखित क्रियाएं कर सकते हैं: बीच में प्रशिक्षण, मॉडल को बचाने, भार के विभिन्न सेटों को लोड करना, या अन्यथा मॉडल की स्थिति को बदलना।

कॉलबैक का उपयोग करने के कुछ उदाहरण यहां दिए गए हैं:

• नियंत्रण बिंदुओं पर मॉडल की स्थिति को ठीक करना - प्रशिक्षण के दौरान विभिन्न बिंदुओं पर वर्तमान मॉडल के वजन को बचाने;
• प्रारंभिक पड़ाव - परीक्षण के डेटा पर नुकसान का अनुमान सुधारने के लिए बंद होने पर प्रशिक्षण में रुकावट (और निश्चित रूप से, प्रशिक्षण के दौरान प्राप्त मॉडल का सबसे अच्छा संस्करण बनाए रखना)
• सीखने की प्रक्रिया में कुछ मापदंडों के मूल्यों का गतिशील समायोजन, उदाहरण के लिए, अनुकूलक का अधिगम चरण;
• प्रशिक्षण के दौरान प्रशिक्षण और परीक्षण डेटा सेट के लिए ग्रेड लॉग करना या मॉडल द्वारा प्राप्त किए गए अभ्यावेदन को विज़ुअलाइज़ करना क्योंकि वे अपडेट किए गए हैं - कैरस में एक प्रगति बार जिसे आप पहले से परिचित हैं एक कॉलबैक है!

Keras.callbacks मॉड्यूल में अंतर्निहित कॉलबैक की संख्या शामिल होती है। यहाँ पूरी सूची से बहुत दूर है:

keras.callbacks.ModelCheckpoint keras.callbacks.EarlyStopping keras.callbacks.LearningRateScheduler keras.callbacks.ReduceLROnPlateau keras.callbacks.CSVLogger 

आइए उनमें से कुछ का उपयोग करने के तरीके के बारे में जानने के लिए देखें: ModelCheckpoint, EarlyStopping, और ReduceLROnPlateau।

मॉडलचेकपॉइंट और अर्लीस्टॉपिंग कॉलबैक

अर्लीस्टॉपिंग कॉलबैक का उपयोग सीखने की प्रक्रिया को बाधित करने के लिए किया जा सकता है अगर मॉनिटर किए गए लक्ष्य मीट्रिक ने दिए गए युगों की संख्या में सुधार नहीं किया है। उदाहरण के लिए, यह कॉलबैक आपको पीछे हटने वाले प्रभाव की शुरुआत के बाद प्रशिक्षण को बाधित करने की अनुमति देगा और इस तरह कम युगों के लिए मॉडल को फिर से प्रशिक्षण देने से बचना होगा। यह कॉलबैक आमतौर पर मॉडलचेकपॉइंट के साथ संयोजन में उपयोग किया जाता है, जो आपको प्रशिक्षण के दौरान मॉडल की स्थिति को बचाने की अनुमति देता है (और यदि आवश्यक हो, तो केवल सबसे अच्छा मॉडल बचाएं: मॉडल का संस्करण जो युग के अंत तक बेहतर गुणवत्ता तक पहुंच गया है):


ReduceLROnPlateau कॉलबैक

इस कॉलबैक का उपयोग सीखने की गति को कम करने के लिए किया जा सकता है जब परीक्षण डेटा पर नुकसान कम हो जाता है। हानि वक्र के विभक्ति बिंदु पर सीखने की गति को कम करना या बढ़ाना प्रशिक्षण के दौरान स्थानीय न्यूनतम से बाहर तोड़ने के लिए एक प्रभावी रणनीति है। निम्न उदाहरण ReduceLROnPlateau कॉलबैक के उपयोग को दर्शाता है:


आपका कॉलबैक डिज़ाइन करें

यदि प्रशिक्षण के दौरान आपको कुछ विशेष क्रियाएं करने की आवश्यकता होती है जो किसी भी अंतर्निहित कॉलबैक द्वारा प्रदान नहीं की जाती हैं, तो आप अपना कॉलबैक लिख सकते हैं। कॉलबैक keras.callbacks.Callback वर्ग से इनहेरिट करके कार्यान्वित किए जाते हैं। आप निम्नलिखित में से किसी भी तरीके को बोलने वाले नामों के साथ लागू कर सकते हैं जिन्हें उचित समय पर बुलाया जाएगा


इन सभी विधियों को तर्क लॉग के साथ कहा जाता है - एक शब्दकोश जिसमें पिछले पैकेज, युग या प्रशिक्षण चक्र के बारे में जानकारी होती है: प्रशिक्षण और सत्यापन मेट्रिक्स, आदि। इसके अलावा, कॉलबैक में निम्नलिखित विशेषताओं तक पहुंच है:

• self.model - उस कॉलबैक के कारण मॉडल का एक उदाहरण;
• self.validation_data - मान डेटा के रूप में फिट विधि में पारित मूल्य।

यहाँ एक गैर-मानक कॉलबैक का एक सरल उदाहरण है जो डिस्क को बचाता है (जैसे Numpy सरणियों) प्रत्येक युग के अंत के बाद मॉडल की सभी परतों की सक्रियता, परीक्षण सेट में पहले नमूने से गणना की जाती है:


यह आपको कॉलबैक के बारे में जानने की जरूरत है, बाकी सब तकनीकी विवरण है, जिसके बारे में जानकारी आप आसानी से पा सकते हैं। अब आप किसी भी जानकारी को लॉग इन कर सकते हैं या प्रशिक्षण के दौरान केरस मॉडल को नियंत्रित कर सकते हैं।

लेखक के बारे में

फ्रेंकोइस चॉलेट गूगल, माउंटेन व्यू, कैलिफोर्निया में गहन सीखने में लगे हुए हैं। वह केरस के निर्माता हैं, एक गहरी सीखने वाली लाइब्रेरी और टेन्सरफ्लो मशीन लर्निंग फ्रेमवर्क प्रोजेक्ट के सदस्य हैं। वह मशीन लर्निंग के क्षेत्र में अनुसंधान में भी लगे हुए हैं, पैटर्न मान्यता को ध्यान में रखते हुए और औपचारिक तर्क के लिए मशीन लर्निंग के अनुप्रयोग पर। उन्होंने इस क्षेत्र में प्रमुख सम्मेलनों में बात की, जिसमें कंप्यूटर विजन एंड पैटर्न रिकॉग्निशन (सीवीपीआर) पर सम्मेलन, तंत्रिका सूचना प्रसंस्करण प्रणाली पर सम्मेलन और कार्यशाला (एनआईपीएस), लर्निंग रिप्रेजेंटेशन (आईसीएलआर) पर अंतर्राष्ट्रीय सम्मेलन, आदि शामिल हैं। ।

»पुस्तक की अधिक जानकारी प्रकाशक की वेबसाइट पर पाई जा सकती है
» सामग्री
» अंश

फेरीवालों के लिए कूपन पर 20% की छूट - पायथन के साथ डीप लर्निंग