به عنوان مثال، کد زیر متغیر دو بُعدی با دو مقدار تصادفی ایجاد می‌کند. به طور پیش‌فرض، TENSORFLOW یک مقدار تصادفی را برمی‌گرداند. نام متغیر را var گذاشتیم:

# Create a Variable
## Create 2 Randomized values
var = tf.get_variable("var", [1, 2])
print(var.shape)

در مثال بعدی متغیری با یک سطر و دو ستون ایجاد می‌کنیم. مقادیر ابتدایی این TENSORصفر است. برای مثال، زمانی که مدلی را آموزش می‌دهید باید مقادیر را برای محاسبه‌ی وزن ویژگی‌ها مقداردهی اولیه کنید.

var_init_1 = tf.get_variable("var_init_1", [1, 2], dtype=tf.int32, initializer=tf.zeros_initializer)
print(var_init_1.shape)	

می‌توانید مقادیر یک TENSOR ثابت را به یک متغیر اختصاص دهید. یک TENSOR با مقادیر ثابت با متد ()tf.constant ایجاد و به عنوان مقداردهی اولیه‌ی TENSOR متغیر از آن استفاده می‌کنیم. مقادیر اولیه‌ی متغیر 10، 20، 30 و 40 است و TENSOR متغیر یک ماتریس 2*2 است:

# Create a 2x2 matrixtensor_const = tf.constant([[10, 20],
[30, 40]])
# Initialize the first value of the tensor equals to tensor_const
var_init_2 = tf.get_variable("var_init_2", dtype=tf.int32,  initializer=tensor_const)
print(var_init_2.shape)

Placeholder در TENSORFLOW:

tf.placeholder(dtype,shape=None,name=None )

arguments:

• "dtype": Type of data
• "shape": dimension of the placeholder. Optional. By default, shape of the data
• "name": Name of the placeholder. Optional

data_placeholder_a = tf.placeholder(tf.float32, name = "data_placeholder_a")
print(data_placeholder_a)

پس از اجرای عملیات session ایجاد شده را با دستور ()sess.close خاتمه می‌دهیم تا منابع اختصاص یافته به این نشست آزاد شوند. همان‌طور که مشاهده نمودید مراحل شامل ایجاد TENSOR برای ورودی، تعریف عملیات ضرب روی آن‌ها، ایجاد سشن و چاپ خروجی است. همان‌طور که اشاره کردیم، در TENSORFLOW عملیات در قالب یک گراف محاسباتی انجام می‌پذیرد. گراف محاسباتی مجموعه‌ای از یک سری عملیات ریاضی است که در یک ترتیب خاصی محاسبه می‌شوند. برای مثال محاسبه‌ی عبارت e=c*d که در آن c= a+b و d=b-1 به فرم گراف زیر است:

with tf.Session() as sess:
with tf.device("/GPU:0"):
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])
product = tf.matmul(matrix1, matrix2)
output = sess.run(product)
print(output)

با دستور with tf.Session() as sess می‌توان به پایتون این امکان را داد که منابع Session را به‌طور خودکار آزاد کند.

دستور زیر یک TENSOR تک بُعدی (1D) با 64 مقدار را مابین 5- و 5+ را ایجاد می‌کند:

n_values = 64
x = tf.linspace(-5.0, 5.0, n_values)
sess = tf.Session()
result = sess.run(x)
print(result)

علاوه بر دستور ()sess.run می‌توان از (x.eval(session=sess برای ارزیابی TENSOR هم استفاده کرد و فراموش نکنیم که در پایان ()sess.close را بنویسیم. همچنین می‌توان از یک نشست تعاملی (Interactive Session) به جای ()run. استفاده نمود.

تا این قسمت از مقاله‌ی آموزش TensorFlow مثال‌های‌ ساده‌ای جهت آشنایی شما و درک بهتر خط کدهای TENSORFLOW  را بررسی کردیم. کدهای ما حالت ایستا داشت و الگوریتم به یادگیری نمی‌پرداخت. در ادامه‌ی مقاله‌ی آموزش TensorFlow به بررسی یک مثال عملی در رابطه با یادگیری ماشین خواهیم پرداخت.

Tensorflow ابزار بسیار گسترده‌ای را برای کنترل کامل محاسبات فراهم می‌کند. این کار با API سطح پایین (Low level API) انجام می‌شود. علاوه بر این Tensorflow به مجموعه‌ی گسترده‌ای از API‌های سطح بالا برای انجام بسیاری از الگوریتم‌های یادگیری ماشین مجهز شده است. Tensorflow این APIهای سطح بالا را تحت عنوان تخمین‌‌گر (Estimator) فراخوانی می‌کند.

• API سطح پایین: معماری را می‌سازد و مدل را بهینه‌سازی می‌کند. کار با این سطح برای یک مبتدی پیچیده است.
• API سطح بالا: الگوریتم را به راحتی تعریف می‌کند و کار با آن راحت است. Tensorflow جعبه ابزاری (ToolBox) تحت عنوان Estimator را برای ساخت، آموزش، ارزیابی و ایجاد یک مدل برای پیش‌بینی را در اختیار کاربران خود قرار داده است.

در مقاله‌ی آموزش TensorFlow فقط از تخمین‌گر برای آموزش مدل پیش‌بینی توسط رگرسیون خطی (Linear Regression) استفاده خواهد شد. با کمک این ToolBox محاسبات سریع‌تر و آسان‌تر اجرا می‌شوند. بخش اول آموزش چگونگی به‌کارگیری بهینه‌ساز گرادیان کاهشی (ِGradient Descent Optimizer) را برای آموزش رگرسیون خطی توصیف می‌کند. همچنین در قالب یک مثال عملی مجموعه داده‌ی Boston برای پیش‌بینی قیمت یک خانه به کمک تخمین‌گر Tensorflow به کار گرفته خواهد شد.

آموزش مدل رگرسیون خطی

قبل از آموزش مدل، بیایید با رگرسیون خطی آشنا شویم. تصور کنید که دو متغیر فرضی  x و y دارید و کار شما پیش‌بینی مقدار مجهول y براساس مقدار متغیر x است که مقدار آن مشخص است. اگر داده‌ها را در نمودار ترسیم کنید می‌توانید رابطه‌ی مستقیم بین متغیر مستقل x  و متغیر وابسته‌ی y  را ببینید که به شکل زیر است.

همان‌طور که می‌بینید اگر x=1 باشد y تقریبا برابر 6 است و اگر x=2 باشد y حدودا 8.5 خواهد بود. این یک روش دقیق برای پیش‌بینی y نیست و مستعد خطاست، به‌خصوص با مجموعه داده‌ای که صدها هزار نقطه می‌تواند داشته باشد. رگرسیون خطی با یک معادله ارزیابی می‌شود. متغیر y توسط یک یا تعداد بیشتری از متغیرها می‌تواند محاسبه شود. در مثال قبلی فقط یک متغیر مستقل وجود دارد(x). اگر بخواهیم معادله‌ی مربوط به آن را بنویسیم به شکل زیر خواهد بود:

منظور از خطای مدل تفاوت مقدار پیش‌بینی شده با مقدار واقعی است. تصور کنید که مدل را تنظیم کرده‌ و راه‌حل زیر را برای آن یافته‌اید. (منظور از تنظیم یا fit کردن یعنی مقادیر پارامترها به گونه‌ای محاسبه شوند که معادله‌ی خط حاصل به ازای x نزدیکترین مقدار به y را تولید کند.)

اگر این اعداد را در معادله جایگزین کنیم تبدیل به فرم زیر می‌شود:

y=3.8+2.78 x

شما اکنون می‌توانید مقادیر بهتری برای y از طریق جای‌گذاری x در معادله‌ی بالا بیابید. شکل زیر نمودار حاصل از جای‌گذاری x را در معادله‌ی فوق نشان می‌دهد.

خط قرمز حاصل از به هم پیوستن مقادیر پیش‌بینی شده برای y بر اساس متغیر x در معادله‌ی فوق است. بر اساس این خط می‌توان مقادیر y را برای x‌های بزرگتر از 2 نیز پیش‌بینی کرد. اگر بخواهید رگرسیون خطی را برای همبستگی‌های بیشتر گسترش دهید می‌توانید متغیرهای بیشتری را به مدل اضافه کنید. تفاوت میان تحلیل‌های سنتی و رگرسیون خطی این است که رگرسیون خطی تعیین می‌کند که y به مجموعه‌ای از متغیرهای مستقل چگونه همزمان واکنش نشان می‌دهد. در حالی‌ که در روش تحلیل همبستگی چگونگی وابسته بودن y را به هر متغیر مستقل، به صورت دو‌به‌دو و جداگانه بررسی می‌کند. بیایید مثالی را بررسی کنیم. فرض کنید می‌خواهید فروش مغازه‌ی بستنی‌فروشی را پیش‌بینی کنید. مجموعه داده شامل اطلاعات مختلفی مثل وضعیت آب و هوا (بارانی، آفتابی و ابری) و اطلاعات مشتریان (همچون حقوق، جنسیت و وضعیت تأهل) است. تحلیل سنتی سعی در پیش‌بینی فروش از طریق محاسبه‌ی میانگین برای هر متغیر به صورت جداگانه می‌کند و برای سناریوهای مختلف مقدار فروش را تخمین می‌زند. این امر منجر به پیش‌بینی‌های ضعیف و غیردقیق می‌شود و تحلیل را به انتخاب سناریوهای خاص محدود می‌کند. اما اگر شما از رگرسیون خطی استفاده کنید می‌توانید معادله‌ی زیر را برای فروش بنویسید:

الگوریتم رگرسیون خطی بهترین جواب را برای وزن‌ها (ضرایب متغیرها) و مقدار بایاس پیدا می‌کند. این به این معنی است که الگوریتم سعی در مینیمم سازی هزینه دارد و برای این کار رابطه‌ی sales را با کلیه‌ی متغیرهای مستقل به صورت یکجا بررسی می‌کند. (منظور از هزینه تفاوت میان مقدار معادله‌ی خط یافته‌شده و مقدار  متغیر وابسته‌ی نقاط مجموعه داده است).

نحوه‌ی کارکرد الگوریتم رگرسیون خطی

الگوریتم یک عدد تصادفی به ازای هر آلفا و بتا انتخاب می‌کند و مقدار متغیر x را برای محاسبه‌ی y جای‌گذاری می‌کند. اگر مجموعه داده شامل 100 نمونه باشد الگوریتم 100 مقدار برای y پیش‌بینی می‌کند. می‌توانیم مقدار خطا را محاسبه کنیم که تحت عنوان اپسیلن (€) در مدل آورده شده و برابر تفاوت میان مقدار پیش‌بینی‌شده توسط مدل و مقدار واقعی است. مقدار خطای مثبت بدین معنی است که الگوریتم مدل y پیش‌بینی‌شده را کمتر از مقدار واقعی و مقدار خطای منفی یعنی اینکه مدل، y را بیش از مقدار واقعی تخمین زده است.

هدف این است که مربع خطا را مینیمم کنیم. الگوریتم میانگین مربع خطا را محاسبه می‌کند. به این مرحله مینیمم‌سازی خطا می‌گویند. برای رگرسیون خطی میانگین مربع خطا (MSE(Min Square Error نیز نامیده می‌شود. که از نظر ریاضی به این صورت است:

هدف یافتن بهترین ماتریس وزنی است که MSE را مینیمم کند. اگر میانگین خطا بزرگ باشد به این معنی است که مدل ضعیف عمل می‌کند و وزن‌ها به خوبی انتخاب نشده‌اند. برای اصلاح وزن‌ها به یک بهینه‌ساز نیاز است. بهینه‌ساز مرسوم گرادیان کاهشی (Gradient Descent) با گرفتن مشتق وزن‌ها را کم و زیاد می‌کند. اگر مشتق مثبت باشد وزن کاهش می‌یابد و اگر منفی باشد وزن افزایش می‌یابد.

مدل، وزن‌ها را بروزرسانی می‌کند و مقدار خطا را دوباره محاسبه می‌کند. این فرایند تا زمانی که مقدار خطا تغییر نکند تکرار می‌شود. هر مرحله یک تکرار (Iteration) نامیده می‌شود. علاوه بر این گرادیان‌هادر یک نرخ یادگیری ضرب می‌شوند که بیان‌گر سرعت یادگیری است. اگر نرخ یادگیری مقدار خیلی کوچکی باشد باعث می‌شود که زمان همگرایی الگوریتم طولانی‌تر شود. (یعنی تعداد تکرار بیشتری نیاز داشته باشد.) اگر نرخ یادگیری مقدار خیلی بزرگی داشته باشد باعث می‌شود که الگوریتم هرگز همگرا نشود.

همان‌طور که در شکل بالا می‌بینید، مدل بیست مرتبه پیش از یافتن یک مقدار پایدار برای وزن‌ها تکرار می‌شود و سپس به کمترین میزان خطا دست می‌یابد. توجه کنید خطا به صفر نمی‌رسد بلکه حدود مقدار 5 پایدار و بدون تغییر می‌شود. این به این معنی است که مدل خطایی با مقدار 5 دارد. اگر بخواهیم خطا را کاهش دهیم نیاز به افزودن داده‌های بیشتری به مدل، مثل متغیرهای بیشتر و یا استفاده از تخمین‌گرهای متفاوتی داریم.

چگونه یک رگرسیون خطی را با Tensorflow آموزش می‌دهیم

حال که مفهوم رگرسیون خطی را فهمیده‌اید قادر به به‌کارگیری API تخمین‌گر ارائه شده توسط Tensorflow برای آموزش اولین رگرسیون خطی خود هستید. در این آموزش از مجموعه داده‌ی Boston که شامل متغیرهای زیر است استفاده می‌کنیم.

این مجموعه داده را به سه قسمت به شرح زیر تقسیم خواهیم کرد:

هدف به‌کارگیری ویژگی‌های مجموعه داده برای پیش‌بینی ارزش قیمت یک خانه است. در ادامه‌ی آموزش TensorFlow ، شما یاد خواهید گرفت که چگونه و از طریق دو روش مختلف داده را وارد محیط Tensorflow کنید. توجه کنید که هر دوی این روش‌ها نتایج یکسانی در پی دارند:

• به کمک Pandas
• تنها با Tensorflow

دوباره یادآوری می‌کنیم که در این آموزش، نحوه‌ی چگونگی استفاده از API سطح بالا برای ایجاد و آموزش ارزیابی یک مدل رگرسیون خطی در تنسورفلو را یاد خواهید گرفت. اگر شما از یک API سطح پایین برای این کار استفاده کنید می‌بایست تابع Loss Function، بهینه‌سازی، گرادیان کاهشی، ضرب ماتریسی، گراف و تنسور را به صورت دستی تعریف کنید که این‌ها برای افراد مبتدی پیچیده‌اند.

رگرسیون خطی به کمک Pandas

import pandas as pd
from sklearn import datasets
import tensorflow as tf
import itertools

قدم اول: وارد کردن داده با Pandas

نام ستون‌ها (ویژگی) را تعریف و در متغیر COLUMNS ذخیره می‌کنید. می‌توانید از تابع ()pd.read_csv برای وارد کردن داده‌ها استفاده کنید.

COLUMNS = ["crim", "zn", "indus", "nox", "rm", "age",
           "dis", "tax", "ptratio", "medv"]
#-------------------------------------------------
training_set = pd.read_csv("E:/boston_train.csv", skipinitialspace=True,skiprows=1, names=COLUMNS)
test_set = pd.read_csv("E:/boston_test.csv", skipinitialspace=True,skiprows=1, names=COLUMNS)
prediction_set = pd.read_csv("E:/boston_predict.csv", skipinitialspace=True,skiprows=1, names=COLUMNS)

print(training_set.shape, test_set.shape, prediction_set.shape)	

FEATURES = ["crim", "zn", "indus", "nox", "rm",				
                 "age", "dis", "tax", "ptratio"]
LABEL = "medv"

feature_cols = [tf.feature_column.numeric_column(k) for k in FEATURES]

def get_input_fn(data_set, num_epochs=None, n_batch = 128, shuffle=True):    
         return tf.estimator.inputs.pandas_input_fn(       
         x=pd.DataFrame({k: data_set[k].values for k in FEATURES}),       
         y = pd.Series(data_set[LABEL].values),       
         batch_size=n_batch,          
         num_epochs=num_epochs,       
         shuffle=shuffle)

estimator.train(input_fn=get_input_fn(training_set,                                       
                                           num_epochs=None,                                      
                                           n_batch = 128,                                      
                                           shuffle=False),                                      
                                           steps=1000)	

# For Windows
tensorboard --logdir=train

ev = estimator.evaluate(    
          input_fn=get_input_fn(test_set,                          
          num_epochs=1,                          
          n_batch = 128,                          
          shuffle=False))

loss_score = ev["loss"]
print("Loss: {0:f}".format(loss_score))

training_set['medv'].describe()	

y = estimator.predict(    
         input_fn=get_input_fn(prediction_set,                          
         num_epochs=1,                          
         n_batch = 128,                          
         shuffle=False))

predictions = list(p["predictions"] for p in itertools.islice(y, 6))print("Predictions: {}".format(str(predictions)))

import tensorflow as tf
df_train = "E:/boston_train.csv"
df_eval = "E:/boston_test.csv"

COLUMNS = ["crim", "zn", "indus", "nox", "rm", "age",				
                "dis", "tax", "ptratio", "medv"]RECORDS_ALL = [[0.0], [0.0], [0.0], [0.0],[0.0],[0.0],[0.0],[0.0],[0.0],[0.0]]

def input_fn(data_file, batch_size, num_epoch = None):				
       # Step 1				
          def parse_csv(value):        
          columns = tf.decode_csv(value, record_defaults= RECORDS_ALL)        
          features = dict(zip(COLUMNS, columns))				
          #labels = features.pop('median_house_value')        
          labels =  features.pop('medv')        
          return features, labels							
          # Extract lines from input files using the 
          Dataset API. 
          dataset = (tf.data.TextLineDataset(data_file) # Read text file       
          .skip(1) # Skip header row       
          .map(parse_csv))			   
          dataset = dataset.repeat(num_epoch)    
          dataset = dataset.batch(batch_size) 				
          # Step 3    
          iterator = dataset.make_one_shot_iterator()    
          features, labels = iterator.get_next()    
          return features, labels

برای یک فایل csv، متد مجموعه داده در هر دفعه می‌تواند یک سطر را بخواند. برای ساخت مجموعه داده، نیاز به استفاده از آبجکت TextLineDataset داریم. مجموعه داده‌ی شما یک سرآیند (Header) دارد که شامل نام ویژگی‌ها و برچسب داده‌ها است و در محاسبات استفاده نمی‌شود، پس خط اول را نمی‌خوانید. برای فیددهی به مدل ستون برچسب را از داده‌ها جدا می‌کنیم. از متد map برای تبدیل هرگونه داده استفاده می‌کنیم. این متد تابعی را فراخوانی می‌کند که شما برای ایجاد مبدل داده از آن استفاده خواهید کرد.

به طور خلاصه شما باید داده را به شیء TextLineDataset بدهید، سرآیند داده‌ها را حذف کنید و در نهایت یک تبدیل داده به کمک یک تابع انجام دهید:

• (tf.data.TextLineDataset(data_file: این خط فایل csv را می‌خواند.
• (skip(1. :سرآیند را رد کرده و درنظر نمی‌گیرد.
• (map(parse_csv.: فایل csv را خوانده و به فرم تنسور تبدیل می‌کند. pars_csv فایل csv را با  tf.decode_csv پیمایش کرده و  ستون‌های ویژگی و برچسب را تعیین می‌کند.

 ویژگی‌ها می‌توانند به فرم دیکشنری یا تاپل باشند که فرم دیکشنری برای استفاده راحت‌تر است. توضیح کد:

• (tf.decode_csv(value, record_defaults= RECORDS_ALL: متد decode_csv از خروجی TextLineDataset  برای خواندن فایل csv استفاده می‌کند.  record_defaults مرتبط به نوع داده‌ی ستون‌هاست.
• (dict(zip(_CSV_COLUMNS, columns): داده‌های استخراجی ستون‌ها را به شکل دیکشنری تبدیل می‌کند.
• ('features.pop('median_house_value: متغیر برچسب را از متغیر‌های ویژگی جدا می‌کند.

مجموه داده در طول آموزش چندین مرتبه به تنسورها داده (فیددهی) می‌شود. پس باید متدی تعریف شود تا این فیددهی را به طور مکرر و نامحدود بتواند انجام دهد و اجرای برنامه با خطا مواجه نگردد. batch_size هم  تعیین می‌کند که در هر مرتبه چه تعداد از داده‌های مجموعه داده به پایپ لاین برای انجام محاسبات ارسال شود.

هدف ساخت Iterator و یا اشاره‌گرهایی برای برگرداندن عناصر مجموعه داده است. ساده‌ترین راه استفاده از make_one_shot_iterator است و پس از آن شما قادر به ایجاد کار کردن با ویژگی‌ها و برچسب کلاس به کمک iterator خواهید بود.

برای اینکه بدانید چه اتفاقی در تابع input_fn رخ می‌دهد، می‌توانید با به‌کارگیری داده‌ها آن را کنترل کنید. این کار را با batch_size=1 انجام دهید. توجه کنید که قطعه کد زیر ویژگی‌ها را به صورت دیکشنری و ستون برچسب را به شکل آرایه نمایش می‌دهد. اگر می‌خواهید در خروجی، سطرهای دیگر فایل csv مجموعه داده را ببینید می‌توانید کد را با batch_size‌های دیگر امتحان کنید.

next_batch = input_fn(df_train, batch_size = 1, num_epoch = None)
with tf.Session() as sess:    
     first_batch  = sess.run(next_batch)    
     print(first_batch)

قدم سوم رگرسیون خطی در تنسورفلو: تعریف ستون‌های ویژگی

ویژگی‌های عددی را به شکل زیر تعریف می‌کنیم:

X1= tf.feature_column.numeric_column('crim')
X2= tf.feature_column.numeric_column('zn')
X3= tf.feature_column.numeric_column('indus')
X4= tf.feature_column.numeric_column('nox')
X5= tf.feature_column.numeric_column('rm')
X6= tf.feature_column.numeric_column('age')
X7= tf.feature_column.numeric_column('dis')
X8= tf.feature_column.numeric_column('tax')
X9= tf.feature_column.numeric_column('ptratio')

توجه کنید که شما نیاز دارید تا تمام متغیرها را در یک براکت، به شکل زیر جمع کنید.

base_columns = [X1, X2, X3,X4, X5, X6,X7, X8, X9]

قدم چهارم رگرسیون خطی در تنسورفلو: ساختن مدل

مدل را با تخمین‌گر رگرسیون خطی به شکل زیر آموزش می‌دهیم.

model = tf.estimator.LinearRegressor(feature_columns=base_columns, model_dir='train3')

باید از تابع لامبدا برای نوشتن آرگومان‌های داخل input_fn استفاده کرد و بدون لامبدا  فانکشن قادر به آموزش مدل نخواهید بود.

# Train the estimatormodel.train(steps =1000,    
          input_fn= lambda : input_fn(df_train,batch_size=128, num_epoch = None))

results = model.evaluate(steps =None,input_fn=lambda: input_fn(df_eval, batch_size =128, num_epoch = 1))
for key in results:   
print("   {}, was: {}".format(key, results[key]))

prediction_input = {				
          'crim': [0.03359,5.09017,0.12650,0.05515,8.15174,0.24522],				
          'zn': [75.0,0.0,25.0,33.0,0.0,0.0],				
          'indus': [2.95,18.10,5.13,2.18,18.10,9.90],				
          'nox': [0.428,0.713,0.453,0.472,0.700,0.544],				
          'rm': [7.024,6.297,6.762,7.236,5.390,5.782],				
          'age': [15.8,91.8,43.4,41.1,98.9,71.7],				
          'dis': [5.4011,2.3682,7.9809,4.0220,1.7281,4.0317],				
          'tax': [252,666,284,222,666,304],				
          'ptratio': [18.3,20.2,19.7,18.4,20.2,18.4]
     }
     def test_input_fn():    
     dataset = tf.data.Dataset.from_tensors(prediction_input)    
     return dataset
     # Predict all our prediction_inputpred_results = model.predict(input_fn=test_input_fn)	

for pred in enumerate(pred_results):    
print(pred)

• تعریف ویژگی‌ها یا همان متغیرهای مستقل: x
• تعریف برچسب یا متغیر وابسته: y
• ایجاد مجموعه‌ی آموزشی و آزمایشی
• تعریف وزن‌های اولیه (در مثال ما ضرایب متغیرهای مستقل و بایاس)
• تعریف تابع نقصان یا هزینه یا ضرر (در مثال ما MSE)
• بهینه‌سازی مدل (همچون بکارگیری گرادیان کاهشی)
• تعریف کردن:
  • نرخ یادگیری
  • تعداد epoch
  • اندازه‌ی هر دسته یا batch_size

در این آموزش چگونگی به کارگرفتن API سطح بالا برای رگرسیون خطی تشریح شد. دیدیم که باید موارد زیر را برای این منظور تعریف کنیم:

• تعریف ستون‌های ویژگی‌: ()feature_column.numeric_column
• به‌کارگیری تخمین‌گر: (estimator.LinearRegressor(feature_columns, model_dir
• تابعی برای وارد کردن داده و اندازه‌ی دسته‌ها و تعداد مراحل: ()input_fn

و در آخر قادر به آموزش (train)، ارزیابی (evaluate) و پیش‌بینی (predict) خواهید بود.

نتیجه‌گیری

در مقاله‌ی آموزش TensorFlow با فریم ورک تنسورفلو به طور کلی آشنا شدیم. مفاهیم آن را بررسی کردیم، مثال‌های ساده‌ای برای درک بهتر موضوع، کدزنی کردیم و در پایان چگونگی  آموزش یک مدل برمبنای رگرسیون خطی در تنسورفلو را هم دیدیم. اگر در مورد این مقاله سوال یا نظری داشتید خوشحال می‌شویم که در بخش نظرات با ما و کاربران سون لرن به اشتراک بگذارید.

اگر دوست داری به یک متخصص داده کاوی اطلاعات با زبان پایتون تبدیل شوی و با استفاده از آن در بزرگترین شرکت‌ها مشغول به کار شوی، شرکت در دوره جامع آموزش پایتون را پیشنهاد می‌کنیم.