![]() | ![]() | ![]() | ![]() |
এই টিউটোরিয়ালটি টেক্সট লোড এবং প্রিপ্রসেস করার দুটি উপায় দেখায়।
- প্রথমে, আপনি কেরাস ইউটিলিটি এবং প্রিপ্রসেসিং লেয়ার ব্যবহার করবেন। এর মধ্যে রয়েছে
tf.keras.utils.text_dataset_from_directory
ডেটাকে একটিtf.data.Dataset
এবংtf.keras.layers.TextVectorization
ডেটা মানককরণ, টোকেনাইজেশন এবং ভেক্টরাইজেশনে পরিণত করতে। আপনি যদি TensorFlow-এ নতুন হন, তাহলে আপনার এগুলো দিয়ে শুরু করা উচিত। - তারপর, আপনি টেক্সট ফাইল লোড করতে
tf.data.TextLineDataset
মতো নিম্ন-স্তরের ইউটিলিটি এবং টেন্সরফ্লো টেক্সট API, যেমনtext.UnicodeScriptTokenizer
এবংtext.case_fold_utf8
ব্যবহার করবেন, সূক্ষ্ম-শস্য নিয়ন্ত্রণের জন্য ডেটা প্রিপ্রসেস করতে।
# Be sure you're using the stable versions of both `tensorflow` and
# `tensorflow-text`, for binary compatibility.
pip uninstall -y tf-nightly keras-nightly
pip install tensorflow
pip install tensorflow-text
import collections
import pathlib
import tensorflow as tf
from tensorflow.keras import layers
from tensorflow.keras import losses
from tensorflow.keras import utils
from tensorflow.keras.layers import TextVectorization
import tensorflow_datasets as tfds
import tensorflow_text as tf_text
উদাহরণ 1: স্ট্যাক ওভারফ্লো প্রশ্নের জন্য ট্যাগের পূর্বাভাস দিন
প্রথম উদাহরণ হিসেবে, আপনি স্ট্যাক ওভারফ্লো থেকে প্রোগ্রামিং প্রশ্নের একটি ডেটাসেট ডাউনলোড করবেন। প্রতিটি প্রশ্ন ( "কীভাবে আমি একটি অভিধানকে মান অনুসারে সাজাতে পারি?" ) ঠিক একটি ট্যাগ ( Python
, CSharp
, JavaScript
, বা Java
) দিয়ে লেবেল করা হয়৷ আপনার কাজ হল এমন একটি মডেল তৈরি করা যা একটি প্রশ্নের জন্য ট্যাগের পূর্বাভাস দেয়। এটি বহু-শ্রেণীর শ্রেণীবিভাগের একটি উদাহরণ—একটি গুরুত্বপূর্ণ এবং ব্যাপকভাবে প্রযোজ্য ধরনের মেশিন লার্নিং সমস্যা।
ডেটাসেট ডাউনলোড করুন এবং অন্বেষণ করুন
tf.keras.utils.get_file
ব্যবহার করে স্ট্যাক ওভারফ্লো ডেটাসেট ডাউনলোড করে এবং ডিরেক্টরি কাঠামো অন্বেষণ করে শুরু করুন:
data_url = 'https://storage.googleapis.com/download.tensorflow.org/data/stack_overflow_16k.tar.gz'
dataset_dir = utils.get_file(
origin=data_url,
untar=True,
cache_dir='stack_overflow',
cache_subdir='')
dataset_dir = pathlib.Path(dataset_dir).parent
Downloading data from https://storage.googleapis.com/download.tensorflow.org/data/stack_overflow_16k.tar.gz 6053888/6053168 [==============================] - 0s 0us/step 6062080/6053168 [==============================] - 0s 0us/step
list(dataset_dir.iterdir())
[PosixPath('/tmp/.keras/train'), PosixPath('/tmp/.keras/README.md'), PosixPath('/tmp/.keras/stack_overflow_16k.tar.gz'), PosixPath('/tmp/.keras/test')]
train_dir = dataset_dir/'train'
list(train_dir.iterdir())
[PosixPath('/tmp/.keras/train/java'), PosixPath('/tmp/.keras/train/csharp'), PosixPath('/tmp/.keras/train/javascript'), PosixPath('/tmp/.keras/train/python')]
train/csharp
, train/java
, train/python
এবং train/javascript
ডিরেক্টরিতে অনেক টেক্সট ফাইল থাকে, যার প্রতিটি একটি স্ট্যাক ওভারফ্লো প্রশ্ন।
একটি উদাহরণ ফাইল প্রিন্ট করুন এবং ডেটা পরিদর্শন করুন:
sample_file = train_dir/'python/1755.txt'
with open(sample_file) as f:
print(f.read())
why does this blank program print true x=true.def stupid():. x=false.stupid().print x
ডেটাসেট লোড করুন
এর পরে, আপনি ডিস্ক থেকে ডেটা লোড করবেন এবং প্রশিক্ষণের জন্য উপযুক্ত একটি বিন্যাসে প্রস্তুত করবেন। এটি করার জন্য, আপনি লেবেলযুক্ত tf.data.Dataset
তৈরি করতে tf.keras.utils.text_dataset_from_directory
ইউটিলিটি ব্যবহার করবেন। আপনি যদি tf.data
নতুন হন, তাহলে এটি ইনপুট পাইপলাইন তৈরির জন্য সরঞ্জামগুলির একটি শক্তিশালী সংগ্রহ। (tf.data-এ আরও জানুন : TensorFlow ইনপুট পাইপলাইন গাইড তৈরি করুন।)
tf.keras.utils.text_dataset_from_directory
API নিম্নরূপ একটি ডিরেক্টরি কাঠামো আশা করে:
train/
...csharp/
......1.txt
......2.txt
...java/
......1.txt
......2.txt
...javascript/
......1.txt
......2.txt
...python/
......1.txt
......2.txt
একটি মেশিন লার্নিং পরীক্ষা চালানোর সময়, আপনার ডেটাসেটকে তিনটি ভাগে ভাগ করা একটি সর্বোত্তম অনুশীলন: প্রশিক্ষণ , বৈধতা এবং পরীক্ষা ।
স্ট্যাক ওভারফ্লো ডেটাসেট ইতিমধ্যে প্রশিক্ষণ এবং পরীক্ষা সেটে বিভক্ত করা হয়েছে, কিন্তু এটিতে একটি বৈধতা সেটের অভাব রয়েছে।
tf.keras.utils.text_dataset_from_directory
ব্যবহার করে ট্রেনিং ডেটার 80:20 স্প্লিট ব্যবহার করে validation_split
0.2
(অর্থাৎ 20%) দিয়ে একটি বৈধতা সেট তৈরি করুন:
batch_size = 32
seed = 42
raw_train_ds = utils.text_dataset_from_directory(
train_dir,
batch_size=batch_size,
validation_split=0.2,
subset='training',
seed=seed)
Found 8000 files belonging to 4 classes. Using 6400 files for training.
পূর্ববর্তী সেল আউটপুট অনুসারে, প্রশিক্ষণ ফোল্ডারে 8,000টি উদাহরণ রয়েছে, যার মধ্যে আপনি প্রশিক্ষণের জন্য 80% (বা 6,400) ব্যবহার করবেন। আপনি কিছুক্ষণের মধ্যে শিখবেন যে আপনি সরাসরি Model.fit
এ tf.data.Dataset
পাস করে একটি মডেলকে প্রশিক্ষণ দিতে পারেন।
প্রথমত, ডেটাসেটের উপর পুনরাবৃত্তি করুন এবং ডেটার জন্য একটি অনুভূতি পেতে কয়েকটি উদাহরণ প্রিন্ট করুন।
for text_batch, label_batch in raw_train_ds.take(1):
for i in range(10):
print("Question: ", text_batch.numpy()[i])
print("Label:", label_batch.numpy()[i])
Question: b'"my tester is going to the wrong constructor i am new to programming so if i ask a question that can be easily fixed, please forgive me. my program has a tester class with a main. when i send that to my regularpolygon class, it sends it to the wrong constructor. i have two constructors. 1 without perameters..public regularpolygon(). {. mynumsides = 5;. mysidelength = 30;. }//end default constructor...and my second, with perameters. ..public regularpolygon(int numsides, double sidelength). {. mynumsides = numsides;. mysidelength = sidelength;. }// end constructor...in my tester class i have these two lines:..regularpolygon shape = new regularpolygon(numsides, sidelength);. shape.menu();...numsides and sidelength were declared and initialized earlier in the testing class...so what i want to happen, is the tester class sends numsides and sidelength to the second constructor and use it in that class. but it only uses the default constructor, which therefor ruins the whole rest of the program. can somebody help me?..for those of you who want to see more of my code: here you go..public double vertexangle(). {. system.out.println(""the vertex angle method: "" mynumsides);// prints out 5. system.out.println(""the vertex angle method: "" mysidelength); // prints out 30.. double vertexangle;. vertexangle = ((mynumsides - 2.0) / mynumsides) * 180.0;. return vertexangle;. }//end method vertexangle..public void menu().{. system.out.println(mynumsides); // prints out what the user puts in. system.out.println(mysidelength); // prints out what the user puts in. gotographic();. calcr(mynumsides, mysidelength);. calcr(mynumsides, mysidelength);. print(); .}// end menu...this is my entire tester class:..public static void main(string[] arg).{. int numsides;. double sidelength;. scanner keyboard = new scanner(system.in);.. system.out.println(""welcome to the regular polygon program!"");. system.out.println();.. system.out.print(""enter the number of sides of the polygon ==> "");. numsides = keyboard.nextint();. system.out.println();.. system.out.print(""enter the side length of each side ==> "");. sidelength = keyboard.nextdouble();. system.out.println();.. regularpolygon shape = new regularpolygon(numsides, sidelength);. shape.menu();.}//end main...for testing it i sent it numsides 4 and sidelength 100."\n' Label: 1 Question: b'"blank code slow skin detection this code changes the color space to lab and using a threshold finds the skin area of an image. but it\'s ridiculously slow. i don\'t know how to make it faster ? ..from colormath.color_objects import *..def skindetection(img, treshold=80, color=[255,20,147]):.. print img.shape. res=img.copy(). for x in range(img.shape[0]):. for y in range(img.shape[1]):. rgbimg=rgbcolor(img[x,y,0],img[x,y,1],img[x,y,2]). labimg=rgbimg.convert_to(\'lab\', debug=false). if (labimg.lab_l > treshold):. res[x,y,:]=color. else: . res[x,y,:]=img[x,y,:].. return res"\n' Label: 3 Question: b'"option and validation in blank i want to add a new option on my system where i want to add two text files, both rental.txt and customer.txt. inside each text are id numbers of the customer, the videotape they need and the price...i want to place it as an option on my code. right now i have:...add customer.rent return.view list.search.exit...i want to add this as my sixth option. say for example i ordered a video, it would display the price and would let me confirm the price and if i am going to buy it or not...here is my current code:.. import blank.io.*;. import blank.util.arraylist;. import static blank.lang.system.out;.. public class rentalsystem{. static bufferedreader input = new bufferedreader(new inputstreamreader(system.in));. static file file = new file(""file.txt"");. static arraylist<string> list = new arraylist<string>();. static int rows;.. public static void main(string[] args) throws exception{. introduction();. system.out.print(""nn"");. login();. system.out.print(""nnnnnnnnnnnnnnnnnnnnnn"");. introduction();. string repeat;. do{. loadfile();. system.out.print(""nwhat do you want to do?nn"");. system.out.print(""n - - - - - - - - - - - - - - - - - - - - - - -"");. system.out.print(""nn | 1. add customer | 2. rent return |n"");. system.out.print(""n - - - - - - - - - - - - - - - - - - - - - - -"");. system.out.print(""nn | 3. view list | 4. search |n"");. system.out.print(""n - - - - - - - - - - - - - - - - - - - - - - -"");. system.out.print(""nn | 5. exit |n"");. system.out.print(""n - - - - - - - - - -"");. system.out.print(""nnchoice:"");. int choice = integer.parseint(input.readline());. switch(choice){. case 1:. writedata();. break;. case 2:. rentdata();. break;. case 3:. viewlist();. break;. case 4:. search();. break;. case 5:. system.out.println(""goodbye!"");. system.exit(0);. default:. system.out.print(""invalid choice: "");. break;. }. system.out.print(""ndo another task? [y/n] "");. repeat = input.readline();. }while(repeat.equals(""y""));.. if(repeat!=""y"") system.out.println(""ngoodbye!"");.. }.. public static void writedata() throws exception{. system.out.print(""nname: "");. string cname = input.readline();. system.out.print(""address: "");. string add = input.readline();. system.out.print(""phone no.: "");. string pno = input.readline();. system.out.print(""rental amount: "");. string ramount = input.readline();. system.out.print(""tapenumber: "");. string tno = input.readline();. system.out.print(""title: "");. string title = input.readline();. system.out.print(""date borrowed: "");. string dborrowed = input.readline();. system.out.print(""due date: "");. string ddate = input.readline();. createline(cname, add, pno, ramount,tno, title, dborrowed, ddate);. rentdata();. }.. public static void createline(string name, string address, string phone , string rental, string tapenumber, string title, string borrowed, string due) throws exception{. filewriter fw = new filewriter(file, true);. fw.write(""nname: "" name ""naddress: "" address ""nphone no.: "" phone ""nrentalamount: "" rental ""ntape no.: "" tapenumber ""ntitle: "" title ""ndate borrowed: "" borrowed ""ndue date: "" due "":rn"");. fw.close();. }.. public static void loadfile() throws exception{. try{. list.clear();. fileinputstream fstream = new fileinputstream(file);. bufferedreader br = new bufferedreader(new inputstreamreader(fstream));. rows = 0;. while( br.ready()). {. list.add(br.readline());. rows ;. }. br.close();. } catch(exception e){. system.out.println(""list not yet loaded."");. }. }.. public static void viewlist(){. system.out.print(""n~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~"");. system.out.print("" |list of all costumers|"");. system.out.print(""~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~"");. for(int i = 0; i <rows; i ){. system.out.println(list.get(i));. }. }. public static void rentdata()throws exception. { system.out.print(""n~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~"");. system.out.print("" |rent data list|"");. system.out.print(""~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~"");. system.out.print(""nenter customer name: "");. string cname = input.readline();. system.out.print(""date borrowed: "");. string dborrowed = input.readline();. system.out.print(""due date: "");. string ddate = input.readline();. system.out.print(""return date: "");. string rdate = input.readline();. system.out.print(""rent amount: "");. string ramount = input.readline();.. system.out.print(""you pay:"" ramount);... }. public static void search()throws exception. { system.out.print(""n~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~"");. system.out.print("" |search costumers|"");. system.out.print(""~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~"");. system.out.print(""nenter costumer name: "");. string cname = input.readline();. boolean found = false;.. for(int i=0; i < rows; i ){. string temp[] = list.get(i).split("","");.. if(cname.equals(temp[0])){. system.out.println(""search result:nyou are "" temp[0] "" from "" temp[1] ""."" temp[2] ""."" temp[3] ""."" temp[4] ""."" temp[5] "" is "" temp[6] ""."" temp[7] "" is "" temp[8] ""."");. found = true;. }. }.. if(!found){. system.out.print(""no results."");. }.. }.. public static boolean evaluate(string uname, string pass){. if (uname.equals(""admin"")&&pass.equals(""12345"")) return true;. else return false;. }.. public static string login()throws exception{. bufferedreader input=new bufferedreader(new inputstreamreader(system.in));. int counter=0;. do{. system.out.print(""username:"");. string uname =input.readline();. system.out.print(""password:"");. string pass =input.readline();.. boolean accept= evaluate(uname,pass);.. if(accept){. break;. }else{. system.out.println(""incorrect username or password!"");. counter ;. }. }while(counter<3);.. if(counter !=3) return ""login successful"";. else return ""login failed"";. }. public static void introduction() throws exception{.. system.out.println("" - - - - - - - - - - - - - - - - - - - - - - - - -"");. system.out.println("" ! r e n t a l !"");. system.out.println("" ! ~ ~ ~ ~ ~ ! ================= ! ~ ~ ~ ~ ~ !"");. system.out.println("" ! s y s t e m !"");. system.out.println("" - - - - - - - - - - - - - - - - - - - - - - - - -"");. }..}"\n' Label: 1 Question: b'"exception: dynamic sql generation for the updatecommand is not supported against a selectcommand that does not return any key i dont know what is the problem this my code : ..string nomtable;..datatable listeetablissementtable = new datatable();.datatable listeinteretstable = new datatable();.dataset ds = new dataset();.sqldataadapter da;.sqlcommandbuilder cmdb;..private void listeinterets_click(object sender, eventargs e).{. nomtable = ""listeinteretstable"";. d.cnx.open();. da = new sqldataadapter(""select nome from offices"", d.cnx);. ds = new dataset();. da.fill(ds, nomtable);. datagridview1.datasource = ds.tables[nomtable];.}..private void sauvgarder_click(object sender, eventargs e).{. d.cnx.open();. cmdb = new sqlcommandbuilder(da);. da.update(ds, nomtable);. d.cnx.close();.}"\n' Label: 0 Question: b'"parameter with question mark and super in blank, i\'ve come across a method that is formatted like this:..public final subscription subscribe(final action1<? super t> onnext, final action1<throwable> onerror) {.}...in the first parameter, what does the question mark and super mean?"\n' Label: 1 Question: b'call two objects wsdl the first time i got a very strange wsdl. ..i would like to call the object (interface - invoicecheck_out) do you know how?....i would like to call the object (variable) do you know how?..try to call (it`s ok)....try to call (how call this?)\n' Label: 0 Question: b"how to correctly make the icon for systemtray in blank using icon sizes of any dimension for systemtray doesn't look good overall. .what is the correct way of making icons for windows system tray?..screenshots: http://imgur.com/zsibwn9..icon: http://imgur.com/vsh4zo8\n" Label: 0 Question: b'"is there a way to check a variable that exists in a different script than the original one? i\'m trying to check if a variable, which was previously set to true in 2.py in 1.py, as 1.py is only supposed to continue if the variable is true...2.py..import os..completed = false..#some stuff here..completed = true...1.py..import 2 ..if completed == true. #do things...however i get a syntax error at ..if completed == true"\n' Label: 3 Question: b'"blank control flow i made a number which asks for 2 numbers with blank and responds with the corresponding message for the case. how come it doesnt work for the second number ? .regardless what i enter for the second number , i am getting the message ""your number is in the range 0-10""...using system;.using system.collections.generic;.using system.linq;.using system.text;..namespace consoleapplication1.{. class program. {. static void main(string[] args). {. string myinput; // declaring the type of the variables. int myint;.. string number1;. int number;... console.writeline(""enter a number"");. myinput = console.readline(); //muyinput is a string which is entry input. myint = int32.parse(myinput); // myint converts the string into an integer.. if (myint > 0). console.writeline(""your number {0} is greater than zero."", myint);. else if (myint < 0). console.writeline(""your number {0} is less than zero."", myint);. else. console.writeline(""your number {0} is equal zero."", myint);.. console.writeline(""enter another number"");. number1 = console.readline(); . number = int32.parse(myinput); .. if (number < 0 || number == 0). console.writeline(""your number {0} is less than zero or equal zero."", number);. else if (number > 0 && number <= 10). console.writeline(""your number {0} is in the range from 0 to 10."", number);. else. console.writeline(""your number {0} is greater than 10."", number);.. console.writeline(""enter another number"");.. }. } .}"\n' Label: 0 Question: b'"credentials cannot be used for ntlm authentication i am getting org.apache.commons.httpclient.auth.invalidcredentialsexception: credentials cannot be used for ntlm authentication: exception in eclipse..whether it is possible mention eclipse to take system proxy settings directly?..public class httpgetproxy {. private static final string proxy_host = ""proxy.****.com"";. private static final int proxy_port = 6050;.. public static void main(string[] args) {. httpclient client = new httpclient();. httpmethod method = new getmethod(""https://kodeblank.org"");.. hostconfiguration config = client.gethostconfiguration();. config.setproxy(proxy_host, proxy_port);.. string username = ""*****"";. string password = ""*****"";. credentials credentials = new usernamepasswordcredentials(username, password);. authscope authscope = new authscope(proxy_host, proxy_port);.. client.getstate().setproxycredentials(authscope, credentials);.. try {. client.executemethod(method);.. if (method.getstatuscode() == httpstatus.sc_ok) {. string response = method.getresponsebodyasstring();. system.out.println(""response = "" response);. }. } catch (ioexception e) {. e.printstacktrace();. } finally {. method.releaseconnection();. }. }.}...exception:... dec 08, 2017 1:41:39 pm . org.apache.commons.httpclient.auth.authchallengeprocessor selectauthscheme. info: ntlm authentication scheme selected. dec 08, 2017 1:41:39 pm org.apache.commons.httpclient.httpmethoddirector executeconnect. severe: credentials cannot be used for ntlm authentication: . org.apache.commons.httpclient.usernamepasswordcredentials. org.apache.commons.httpclient.auth.invalidcredentialsexception: credentials . cannot be used for ntlm authentication: . enter code here . org.apache.commons.httpclient.usernamepasswordcredentials. at org.apache.commons.httpclient.auth.ntlmscheme.authenticate(ntlmscheme.blank:332). at org.apache.commons.httpclient.httpmethoddirector.authenticateproxy(httpmethoddirector.blank:320). at org.apache.commons.httpclient.httpmethoddirector.executeconnect(httpmethoddirector.blank:491). at org.apache.commons.httpclient.httpmethoddirector.executewithretry(httpmethoddirector.blank:391). at org.apache.commons.httpclient.httpmethoddirector.executemethod(httpmethoddirector.blank:171). at org.apache.commons.httpclient.httpclient.executemethod(httpclient.blank:397). at org.apache.commons.httpclient.httpclient.executemethod(httpclient.blank:323). at httpgetproxy.main(httpgetproxy.blank:31). dec 08, 2017 1:41:39 pm org.apache.commons.httpclient.httpmethoddirector processproxyauthchallenge. info: failure authenticating with ntlm @proxy.****.com:6050"\n' Label: 1
লেবেলগুলি হল 0
, 1
, 2
বা 3
। এইগুলির মধ্যে কোনটি কোন স্ট্রিং লেবেলের সাথে মিলে যায় তা পরীক্ষা করতে, আপনি ডেটাসেটে class_names
বৈশিষ্ট্য পরীক্ষা করতে পারেন:
for i, label in enumerate(raw_train_ds.class_names):
print("Label", i, "corresponds to", label)
Label 0 corresponds to csharp Label 1 corresponds to java Label 2 corresponds to javascript Label 3 corresponds to python
এরপর, আপনি tf.keras.utils.text_dataset_from_directory
ব্যবহার করে একটি বৈধতা এবং একটি পরীক্ষা সেট তৈরি করবেন। আপনি বৈধতার জন্য প্রশিক্ষণ সেট থেকে অবশিষ্ট 1,600 পর্যালোচনা ব্যবহার করবেন।
# Create a validation set.
raw_val_ds = utils.text_dataset_from_directory(
train_dir,
batch_size=batch_size,
validation_split=0.2,
subset='validation',
seed=seed)
Found 8000 files belonging to 4 classes. Using 1600 files for validation.
test_dir = dataset_dir/'test'
# Create a test set.
raw_test_ds = utils.text_dataset_from_directory(
test_dir,
batch_size=batch_size)
Found 8000 files belonging to 4 classes.
প্রশিক্ষণের জন্য ডেটাসেট প্রস্তুত করুন
এরপরে, আপনি tf.keras.layers.TextVectorization
লেয়ার ব্যবহার করে ডেটা স্ট্যান্ডার্ড, টোকেনাইজ এবং ভেক্টরাইজ করবেন।
- স্ট্যান্ডার্ডাইজেশন বলতে টেক্সট প্রিপ্রসেসিং বোঝায়, সাধারণত ডেটাসেট সহজ করার জন্য বিরাম চিহ্ন বা এইচটিএমএল উপাদান অপসারণ করা।
- টোকেনাইজেশন বলতে স্ট্রিংকে টোকেনে বিভক্ত করাকে বোঝায় (উদাহরণস্বরূপ, হোয়াইটস্পেসে বিভক্ত করে একটি বাক্যকে পৃথক শব্দে বিভক্ত করা)।
- ভেক্টরাইজেশন বলতে টোকেনকে সংখ্যায় রূপান্তর করা বোঝায় যাতে সেগুলিকে একটি নিউরাল নেটওয়ার্কে খাওয়ানো যায়।
এই সব কাজ এই স্তর দিয়ে সম্পন্ন করা যেতে পারে. (আপনি tf.keras.layers.TextVectorization
API ডক্সে এর প্রতিটি সম্পর্কে আরও জানতে পারেন।)
মনে রাখবেন যে:
- ডিফল্ট স্ট্যান্ডার্ডাইজেশন টেক্সটকে ছোট হাতের অক্ষরে রূপান্তর করে এবং বিরাম চিহ্ন সরিয়ে দেয় (
standardize='lower_and_strip_punctuation'
)। - ডিফল্ট টোকেনাইজার হোয়াইটস্পেসে বিভক্ত হয় (
split='whitespace'
)। - ডিফল্ট ভেক্টরাইজেশন মোড হল
'int'
(output_mode='int'
)। এই আউটপুট পূর্ণসংখ্যা সূচক (টোকেন প্রতি একটি)। এই মোডটি এমন মডেল তৈরি করতে ব্যবহার করা যেতে পারে যা শব্দের ক্রম বিবেচনায় নেয়। এছাড়াও আপনি অন্যান্য মোড ব্যবহার করতে পারেন—যেমন'binary'
বাইনারী' —শব্দের মডেল তৈরি করতে।
TextVectorization
সাথে স্ট্যান্ডার্ডাইজেশন, টোকেনাইজেশন এবং ভেক্টরাইজেশন সম্পর্কে আরও জানতে আপনি দুটি মডেল তৈরি করবেন:
- প্রথমত, আপনি একটি ব্যাগ-অফ-শব্দ মডেল তৈরি করতে
'binary'
ভেক্টরাইজেশন মোড ব্যবহার করবেন। - তারপর, আপনি একটি 1D কনভনেটের সাথে
'int'
মোড ব্যবহার করবেন।
VOCAB_SIZE = 10000
binary_vectorize_layer = TextVectorization(
max_tokens=VOCAB_SIZE,
output_mode='binary')
'int'
মোডের জন্য, সর্বাধিক শব্দভান্ডারের আকার ছাড়াও, আপনাকে একটি সুস্পষ্ট সর্বাধিক ক্রম দৈর্ঘ্য ( MAX_SEQUENCE_LENGTH
) সেট করতে হবে, যা স্তরটিকে প্যাড করতে বা ক্রমগুলিকে ঠিক output_sequence_length
মানগুলিতে ছেঁটে ফেলবে:
MAX_SEQUENCE_LENGTH = 250
int_vectorize_layer = TextVectorization(
max_tokens=VOCAB_SIZE,
output_mode='int',
output_sequence_length=MAX_SEQUENCE_LENGTH)
এরপর, ডেটাসেটে প্রিপ্রসেসিং স্তরের অবস্থার সাথে মানানসই করতে TextVectorization.adapt
কল করুন। এটি মডেলটিকে পূর্ণসংখ্যার স্ট্রিংগুলির একটি সূচক তৈরি করবে।
# Make a text-only dataset (without labels), then call `TextVectorization.adapt`.
train_text = raw_train_ds.map(lambda text, labels: text)
binary_vectorize_layer.adapt(train_text)
int_vectorize_layer.adapt(train_text)
ডেটা প্রিপ্রসেস করতে এই স্তরগুলি ব্যবহার করার ফলাফল প্রিন্ট করুন:
def binary_vectorize_text(text, label):
text = tf.expand_dims(text, -1)
return binary_vectorize_layer(text), label
def int_vectorize_text(text, label):
text = tf.expand_dims(text, -1)
return int_vectorize_layer(text), label
# Retrieve a batch (of 32 reviews and labels) from the dataset.
text_batch, label_batch = next(iter(raw_train_ds))
first_question, first_label = text_batch[0], label_batch[0]
print("Question", first_question)
print("Label", first_label)
Question tf.Tensor(b'"what is the difference between these two ways to create an element? var a = document.createelement(\'div\');..a.id = ""mydiv"";...and..var a = document.createelement(\'div\').id = ""mydiv"";...what is the difference between them such that the first one works and the second one doesn\'t?"\n', shape=(), dtype=string) Label tf.Tensor(2, shape=(), dtype=int32)
print("'binary' vectorized question:",
binary_vectorize_text(first_question, first_label)[0])
'binary' vectorized question: tf.Tensor([[1. 1. 0. ... 0. 0. 0.]], shape=(1, 10000), dtype=float32)
print("'int' vectorized question:",
int_vectorize_text(first_question, first_label)[0])
'int' vectorized question: tf.Tensor( [[ 55 6 2 410 211 229 121 895 4 124 32 245 43 5 1 1 5 1 1 6 2 410 211 191 318 14 2 98 71 188 8 2 199 71 178 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]], shape=(1, 250), dtype=int64)
উপরে দেখানো হিসাবে, TextVectorization
এর 'binary'
মোড একটি অ্যারে প্রদান করে যা নির্দেশ করে যে টোকেনগুলি অন্তত একবার ইনপুটে উপস্থিত থাকে, যখন 'int'
মোড প্রতিটি টোকেনকে একটি পূর্ণসংখ্যা দ্বারা প্রতিস্থাপন করে, এইভাবে তাদের ক্রম সংরক্ষণ করে।
আপনি TextVectorization.get_vocabulary
কল করে প্রতিটি পূর্ণসংখ্যার সাথে সঙ্গতিপূর্ণ টোকেন (স্ট্রিং) সন্ধান করতে পারেন:
print("1289 ---> ", int_vectorize_layer.get_vocabulary()[1289])
print("313 ---> ", int_vectorize_layer.get_vocabulary()[313])
print("Vocabulary size: {}".format(len(int_vectorize_layer.get_vocabulary())))
1289 ---> roman 313 ---> source Vocabulary size: 10000
আপনি আপনার মডেল প্রশিক্ষণের জন্য প্রায় প্রস্তুত.
একটি চূড়ান্ত প্রিপ্রসেসিং ধাপ হিসাবে, আপনি প্রশিক্ষণ, বৈধতা এবং পরীক্ষার সেটগুলিতে আপনার আগে তৈরি করা TextVectorization
স্তরগুলি প্রয়োগ করবেন:
binary_train_ds = raw_train_ds.map(binary_vectorize_text)
binary_val_ds = raw_val_ds.map(binary_vectorize_text)
binary_test_ds = raw_test_ds.map(binary_vectorize_text)
int_train_ds = raw_train_ds.map(int_vectorize_text)
int_val_ds = raw_val_ds.map(int_vectorize_text)
int_test_ds = raw_test_ds.map(int_vectorize_text)
কর্মক্ষমতা জন্য ডেটাসেট কনফিগার করুন
I/O যাতে ব্লক হয়ে না যায় তা নিশ্চিত করতে ডেটা লোড করার সময় এই দুটি গুরুত্বপূর্ণ পদ্ধতি ব্যবহার করা উচিত।
-
Dataset.cache
ডিস্ক লোড হওয়ার পরে মেমরিতে ডেটা রাখে। এটি নিশ্চিত করবে যে ডেটাসেটটি আপনার মডেলকে প্রশিক্ষণ দেওয়ার সময় বাধা হয়ে দাঁড়ায় না। যদি আপনার ডেটাসেটটি মেমরিতে মাপসই করার জন্য খুব বড় হয়, তবে আপনি একটি পারফরম্যান্ট অন-ডিস্ক ক্যাশে তৈরি করতে এই পদ্ধতিটি ব্যবহার করতে পারেন, যা অনেকগুলি ছোট ফাইলের চেয়ে পড়ার জন্য আরও দক্ষ। -
Dataset.prefetch
প্রশিক্ষণের সময় ডেটা প্রিপ্রসেসিং এবং মডেল এক্সিকিউশন ওভারল্যাপ করে।
আপনি tf.data API গাইডের সাথে বেটার পারফরম্যান্সের প্রিফেচিং বিভাগে ডিস্কে কীভাবে ডেটা ক্যাশে করতে হয় তা উভয় পদ্ধতি সম্পর্কে আরও শিখতে পারেন।
AUTOTUNE = tf.data.AUTOTUNE
def configure_dataset(dataset):
return dataset.cache().prefetch(buffer_size=AUTOTUNE)
binary_train_ds = configure_dataset(binary_train_ds)
binary_val_ds = configure_dataset(binary_val_ds)
binary_test_ds = configure_dataset(binary_test_ds)
int_train_ds = configure_dataset(int_train_ds)
int_val_ds = configure_dataset(int_val_ds)
int_test_ds = configure_dataset(int_test_ds)
মডেলকে প্রশিক্ষণ দিন
আপনার নিউরাল নেটওয়ার্ক তৈরি করার সময় এসেছে।
'binary'
ভেক্টরাইজড ডেটার জন্য, একটি সাধারণ ব্যাগ-অফ-শব্দ-রৈখিক মডেল সংজ্ঞায়িত করুন, তারপর এটি কনফিগার করুন এবং প্রশিক্ষণ দিন:
binary_model = tf.keras.Sequential([layers.Dense(4)])
binary_model.compile(
loss=losses.SparseCategoricalCrossentropy(from_logits=True),
optimizer='adam',
metrics=['accuracy'])
history = binary_model.fit(
binary_train_ds, validation_data=binary_val_ds, epochs=10)
Epoch 1/10 200/200 [==============================] - 2s 4ms/step - loss: 1.1170 - accuracy: 0.6509 - val_loss: 0.9165 - val_accuracy: 0.7844 Epoch 2/10 200/200 [==============================] - 1s 3ms/step - loss: 0.7781 - accuracy: 0.8169 - val_loss: 0.7522 - val_accuracy: 0.8050 Epoch 3/10 200/200 [==============================] - 1s 3ms/step - loss: 0.6274 - accuracy: 0.8591 - val_loss: 0.6664 - val_accuracy: 0.8163 Epoch 4/10 200/200 [==============================] - 1s 3ms/step - loss: 0.5342 - accuracy: 0.8866 - val_loss: 0.6129 - val_accuracy: 0.8188 Epoch 5/10 200/200 [==============================] - 1s 3ms/step - loss: 0.4683 - accuracy: 0.9038 - val_loss: 0.5761 - val_accuracy: 0.8281 Epoch 6/10 200/200 [==============================] - 1s 3ms/step - loss: 0.4181 - accuracy: 0.9181 - val_loss: 0.5494 - val_accuracy: 0.8331 Epoch 7/10 200/200 [==============================] - 1s 3ms/step - loss: 0.3779 - accuracy: 0.9287 - val_loss: 0.5293 - val_accuracy: 0.8388 Epoch 8/10 200/200 [==============================] - 1s 3ms/step - loss: 0.3446 - accuracy: 0.9361 - val_loss: 0.5137 - val_accuracy: 0.8400 Epoch 9/10 200/200 [==============================] - 1s 3ms/step - loss: 0.3164 - accuracy: 0.9430 - val_loss: 0.5014 - val_accuracy: 0.8381 Epoch 10/10 200/200 [==============================] - 1s 3ms/step - loss: 0.2920 - accuracy: 0.9495 - val_loss: 0.4916 - val_accuracy: 0.8388
এর পরে, আপনি একটি 1D কনভনেট তৈরি করতে 'int'
ভেক্টরাইজড স্তর ব্যবহার করবেন:
def create_model(vocab_size, num_labels):
model = tf.keras.Sequential([
layers.Embedding(vocab_size, 64, mask_zero=True),
layers.Conv1D(64, 5, padding="valid", activation="relu", strides=2),
layers.GlobalMaxPooling1D(),
layers.Dense(num_labels)
])
return model
# `vocab_size` is `VOCAB_SIZE 1` since `0` is used additionally for padding.
int_model = create_model(vocab_size=VOCAB_SIZE 1, num_labels=4)
int_model.compile(
loss=losses.SparseCategoricalCrossentropy(from_logits=True),
optimizer='adam',
metrics=['accuracy'])
history = int_model.fit(int_train_ds, validation_data=int_val_ds, epochs=5)
Epoch 1/5 200/200 [==============================] - 9s 5ms/step - loss: 1.1471 - accuracy: 0.5016 - val_loss: 0.7856 - val_accuracy: 0.6913 Epoch 2/5 200/200 [==============================] - 1s 3ms/step - loss: 0.6378 - accuracy: 0.7550 - val_loss: 0.5494 - val_accuracy: 0.8056 Epoch 3/5 200/200 [==============================] - 1s 3ms/step - loss: 0.3900 - accuracy: 0.8764 - val_loss: 0.4845 - val_accuracy: 0.8206 Epoch 4/5 200/200 [==============================] - 1s 3ms/step - loss: 0.2234 - accuracy: 0.9447 - val_loss: 0.4819 - val_accuracy: 0.8188 Epoch 5/5 200/200 [==============================] - 1s 3ms/step - loss: 0.1146 - accuracy: 0.9809 - val_loss: 0.5038 - val_accuracy: 0.8150
দুটি মডেল তুলনা করুন:
print("Linear model on binary vectorized data:")
print(binary_model.summary())
Linear model on binary vectorized data: Model: "sequential" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= dense (Dense) (None, 4) 40004 ================================================================= Total params: 40,004 Trainable params: 40,004 Non-trainable params: 0 _________________________________________________________________ None
print("ConvNet model on int vectorized data:")
print(int_model.summary())
ConvNet model on int vectorized data: Model: "sequential_1" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= embedding (Embedding) (None, None, 64) 640064 conv1d (Conv1D) (None, None, 64) 20544 global_max_pooling1d (Globa (None, 64) 0 lMaxPooling1D) dense_1 (Dense) (None, 4) 260 ================================================================= Total params: 660,868 Trainable params: 660,868 Non-trainable params: 0 _________________________________________________________________ None
পরীক্ষার ডেটাতে উভয় মডেলের মূল্যায়ন করুন:
binary_loss, binary_accuracy = binary_model.evaluate(binary_test_ds)
int_loss, int_accuracy = int_model.evaluate(int_test_ds)
print("Binary model accuracy: {:2.2%}".format(binary_accuracy))
print("Int model accuracy: {:2.2%}".format(int_accuracy))
250/250 [==============================] - 1s 3ms/step - loss: 0.5178 - accuracy: 0.8151 250/250 [==============================] - 1s 2ms/step - loss: 0.5262 - accuracy: 0.8073 Binary model accuracy: 81.51% Int model accuracy: 80.73%
মডেল রপ্তানি করুন
উপরের কোডে, আপনি মডেলে টেক্সট খাওয়ানোর আগে ডেটাসেটে tf.keras.layers.TextVectorization
প্রয়োগ করেছেন। আপনি যদি আপনার মডেলটিকে কাঁচা স্ট্রিং প্রক্রিয়াকরণের জন্য সক্ষম করতে চান (উদাহরণস্বরূপ, এটি স্থাপন করা সহজ করার জন্য), আপনি আপনার মডেলের ভিতরে TextVectorization
স্তর অন্তর্ভুক্ত করতে পারেন।
এটি করার জন্য, আপনি সবেমাত্র প্রশিক্ষিত ওজন ব্যবহার করে একটি নতুন মডেল তৈরি করতে পারেন:
export_model = tf.keras.Sequential(
[binary_vectorize_layer, binary_model,
layers.Activation('sigmoid')])
export_model.compile(
loss=losses.SparseCategoricalCrossentropy(from_logits=False),
optimizer='adam',
metrics=['accuracy'])
# Test it with `raw_test_ds`, which yields raw strings
loss, accuracy = export_model.evaluate(raw_test_ds)
print("Accuracy: {:2.2%}".format(binary_accuracy))
250/250 [==============================] - 1s 4ms/step - loss: 0.5178 - accuracy: 0.8151 Accuracy: 81.51%
এখন, আপনার মডেল ইনপুট হিসাবে কাঁচা স্ট্রিং নিতে পারে এবং Model.predict
ব্যবহার করে প্রতিটি লেবেলের জন্য একটি স্কোর ভবিষ্যদ্বাণী করতে পারে। সর্বাধিক স্কোর সহ লেবেল খুঁজে পেতে একটি ফাংশন সংজ্ঞায়িত করুন:
def get_string_labels(predicted_scores_batch):
predicted_int_labels = tf.argmax(predicted_scores_batch, axis=1)
predicted_labels = tf.gather(raw_train_ds.class_names, predicted_int_labels)
return predicted_labels
নতুন ডেটাতে অনুমান চালান
inputs = [
"how do I extract keys from a dict into a list?", # 'python'
"debug public static void main(string[] args) {...}", # 'java'
]
predicted_scores = export_model.predict(inputs)
predicted_labels = get_string_labels(predicted_scores)
for input, label in zip(inputs, predicted_labels):
print("Question: ", input)
print("Predicted label: ", label.numpy())
Question: how do I extract keys from a dict into a list? Predicted label: b'python' Question: debug public static void main(string[] args) {...} Predicted label: b'java'
আপনার মডেলের ভিতরে টেক্সট প্রিপ্রসেসিং লজিক অন্তর্ভুক্ত করা আপনাকে উত্পাদনের জন্য একটি মডেল রপ্তানি করতে সক্ষম করে যা স্থাপনাকে সহজ করে এবং ট্রেন/পরীক্ষার স্ক্যুর সম্ভাবনা হ্রাস করে।
যেখানে tf.keras.layers.TextVectorization
প্রয়োগ করতে হবে তা বেছে নেওয়ার সময় মনে রাখতে পারফরম্যান্সের পার্থক্য রয়েছে। আপনার মডেলের বাইরে এটি ব্যবহার করা আপনাকে GPU-তে প্রশিক্ষণের সময় অ্যাসিঙ্ক্রোনাস CPU প্রক্রিয়াকরণ এবং আপনার ডেটার বাফারিং করতে সক্ষম করে। সুতরাং, আপনি যদি আপনার মডেলটিকে GPU-তে প্রশিক্ষণ দিচ্ছেন, আপনি সম্ভবত আপনার মডেলটি তৈরি করার সময় সেরা পারফরম্যান্স পেতে এই বিকল্পটি ব্যবহার করতে চান, তারপর আপনি যখন স্থাপনার জন্য প্রস্তুত হন তখন আপনার মডেলের ভিতরে TextVectorization
লেয়ারটি অন্তর্ভুক্ত করতে স্যুইচ করুন। .
মডেল সংরক্ষণ সম্পর্কে আরও জানতে সেভ এবং লোড মডেল টিউটোরিয়াল দেখুন।
উদাহরণ 2: ইলিয়াড অনুবাদের লেখকের ভবিষ্যদ্বাণী করুন
নিম্নলিখিতটি টেক্সট ফাইল থেকে উদাহরণ লোড করতে tf.data.TextLineDataset
ব্যবহার করার একটি উদাহরণ প্রদান করে এবং ডেটা প্রিপ্রসেস করার জন্য TensorFlow টেক্সট । আপনি একই কাজের তিনটি ভিন্ন ইংরেজি অনুবাদ ব্যবহার করবেন, হোমারের ইলিয়াড, এবং পাঠ্যের একটি লাইন দেওয়া অনুবাদককে সনাক্ত করার জন্য একটি মডেলকে প্রশিক্ষণ দেবেন।
ডেটাসেট ডাউনলোড করুন এবং অন্বেষণ করুন
তিনটি অনুবাদের গ্রন্থগুলি হল:
এই টিউটোরিয়ালে ব্যবহৃত টেক্সট ফাইলগুলি নথির শিরোনাম এবং ফুটার, লাইন নম্বর এবং অধ্যায় শিরোনাম অপসারণের মতো কিছু সাধারণ প্রিপ্রসেসিং কাজ করেছে।
স্থানীয়ভাবে এই হালকা munged ফাইল ডাউনলোড করুন:
DIRECTORY_URL = 'https://storage.googleapis.com/download.tensorflow.org/data/illiad/'
FILE_NAMES = ['cowper.txt', 'derby.txt', 'butler.txt']
for name in FILE_NAMES:
text_dir = utils.get_file(name, origin=DIRECTORY_URL name)
parent_dir = pathlib.Path(text_dir).parent
list(parent_dir.iterdir())
Downloading data from https://storage.googleapis.com/download.tensorflow.org/data/illiad/cowper.txt 819200/815980 [==============================] - 0s 0us/step 827392/815980 [==============================] - 0s 0us/step Downloading data from https://storage.googleapis.com/download.tensorflow.org/data/illiad/derby.txt 811008/809730 [==============================] - 0s 0us/step 819200/809730 [==============================] - 0s 0us/step Downloading data from https://storage.googleapis.com/download.tensorflow.org/data/illiad/butler.txt 811008/807992 [==============================] - 0s 0us/step 819200/807992 [==============================] - 0s 0us/step [PosixPath('/home/kbuilder/.keras/datasets/derby.txt'), PosixPath('/home/kbuilder/.keras/datasets/butler.txt'), PosixPath('/home/kbuilder/.keras/datasets/cowper.txt'), PosixPath('/home/kbuilder/.keras/datasets/fashion-mnist'), PosixPath('/home/kbuilder/.keras/datasets/mnist.npz')]
ডেটাসেট লোড করুন
পূর্বে, tf.keras.utils.text_dataset_from_directory
এর সাথে একটি ফাইলের সমস্ত বিষয়বস্তু একটি একক উদাহরণ হিসাবে বিবেচিত হত। এখানে, আপনি tf.data.TextLineDataset
ব্যবহার করবেন, যা একটি টেক্সট ফাইল থেকে একটি tf.data.Dataset
তৈরি করার জন্য ডিজাইন করা হয়েছে যেখানে প্রতিটি উদাহরণ মূল ফাইল থেকে পাঠ্যের একটি লাইন। TextLineDataset
পাঠ্য ডেটার জন্য উপযোগী যা প্রাথমিকভাবে লাইন-ভিত্তিক (উদাহরণস্বরূপ, কবিতা বা ত্রুটি লগ)।
এই ফাইলগুলির মাধ্যমে পুনরাবৃত্তি করুন, প্রতিটিকে তার নিজস্ব ডেটাসেটে লোড করুন৷ প্রতিটি উদাহরণকে পৃথকভাবে লেবেল করা দরকার, তাই প্রতিটিতে একটি লেবেলার ফাংশন প্রয়োগ করতে Dataset.map
ব্যবহার করুন। এটি ডেটাসেটের প্রতিটি উদাহরণের উপর পুনরাবৃত্তি করবে, ( example, label
) জোড়া ফিরিয়ে দেবে।
def labeler(example, index):
return example, tf.cast(index, tf.int64)
labeled_data_sets = []
for i, file_name in enumerate(FILE_NAMES):
lines_dataset = tf.data.TextLineDataset(str(parent_dir/file_name))
labeled_dataset = lines_dataset.map(lambda ex: labeler(ex, i))
labeled_data_sets.append(labeled_dataset)
এর পরে, আপনি Dataset.concatenate
ব্যবহার করে এই লেবেলযুক্ত ডেটাসেটগুলিকে একটি একক ডেটাসেটে একত্রিত করবেন এবং Dataset.shuffle
সাথে এটিকে শাফেল করবেন:
BUFFER_SIZE = 50000
BATCH_SIZE = 64
VALIDATION_SIZE = 5000
all_labeled_data = labeled_data_sets[0]
for labeled_dataset in labeled_data_sets[1:]:
all_labeled_data = all_labeled_data.concatenate(labeled_dataset)
all_labeled_data = all_labeled_data.shuffle(
BUFFER_SIZE, reshuffle_each_iteration=False)
আগের মতোই কয়েকটি উদাহরণ প্রিন্ট করুন। ডেটাসেটটি এখনও ব্যাচ করা হয়নি, তাই all_labeled_data
এর প্রতিটি এন্ট্রি একটি ডেটা পয়েন্টের সাথে মিলে যায়:
for text, label in all_labeled_data.take(10):
print("Sentence: ", text.numpy())
print("Label:", label.numpy())
Sentence: b'Beneath the yoke the flying coursers led.' Label: 1 Sentence: b'Too free a range, and watchest all I do;' Label: 1 Sentence: b'defence of their ships. Thus would any seer who was expert in these' Label: 2 Sentence: b'"From morn to eve I fell, a summer\'s day,"' Label: 0 Sentence: b'went to the city bearing a message of peace to the Cadmeians; on his' Label: 2 Sentence: b'darkness of the flying night, and tell it to Agamemnon. This might' Label: 2 Sentence: b"To that distinction, Nestor's son, whom yet" Label: 0 Sentence: b'A sounder judge of honour and disgrace:' Label: 1 Sentence: b'He wept as he spoke, and the elders sighed in concert as each thought' Label: 2 Sentence: b'to gather his bones for the silt in which I shall have hidden him, and' Label: 2
প্রশিক্ষণের জন্য ডেটাসেট প্রস্তুত করুন
টেক্সট ডেটাসেট প্রিপ্রসেস করার জন্য tf.keras.layers.TextVectorization
ব্যবহার করার পরিবর্তে, আপনি এখন টেনসরফ্লো টেক্সট API ব্যবহার করবেন ডেটা মানক এবং টোকেনাইজ করতে, একটি শব্দভাণ্ডার তৈরি করতে এবং tf.lookup.StaticVocabularyTable
ব্যবহার করে টোকেনগুলিকে টোকেনগুলিকে পূর্ণসংখ্যাগুলিতে ম্যাপ করতে ব্যবহার করবেন। মডেল. ( টেনসরফ্লো টেক্সট সম্পর্কে আরও জানুন)।
টেক্সটকে লোয়ার-কেসে রূপান্তর করতে একটি ফাংশন সংজ্ঞায়িত করুন এবং এটিকে টোকেনাইজ করুন:
- টেনসরফ্লো টেক্সট বিভিন্ন টোকেনাইজার প্রদান করে। এই উদাহরণে, আপনি
text.UnicodeScriptTokenizer
টোকেনাইজ করতে টেক্সট ব্যবহার করবেন।UnicodeScriptTokenizer। - ডেটাসেটে টোকেনাইজেশন প্রয়োগ করতে আপনি
Dataset.map
ব্যবহার করবেন।
tokenizer = tf_text.UnicodeScriptTokenizer()
def tokenize(text, unused_label):
lower_case = tf_text.case_fold_utf8(text)
return tokenizer.tokenize(lower_case)
tokenized_ds = all_labeled_data.map(tokenize)
আপনি ডেটাসেটের উপর পুনরাবৃত্তি করতে পারেন এবং কয়েকটি টোকেনাইজড উদাহরণ মুদ্রণ করতে পারেন:
for text_batch in tokenized_ds.take(5):
print("Tokens: ", text_batch.numpy())
Tokens: [b'beneath' b'the' b'yoke' b'the' b'flying' b'coursers' b'led' b'.'] Tokens: [b'too' b'free' b'a' b'range' b',' b'and' b'watchest' b'all' b'i' b'do' b';'] Tokens: [b'defence' b'of' b'their' b'ships' b'.' b'thus' b'would' b'any' b'seer' b'who' b'was' b'expert' b'in' b'these'] Tokens: [b'"' b'from' b'morn' b'to' b'eve' b'i' b'fell' b',' b'a' b'summer' b"'" b's' b'day' b',"'] Tokens: [b'went' b'to' b'the' b'city' b'bearing' b'a' b'message' b'of' b'peace' b'to' b'the' b'cadmeians' b';' b'on' b'his']
এরপর, আপনি ফ্রিকোয়েন্সি অনুসারে টোকেন বাছাই করে এবং শীর্ষ VOCAB_SIZE
টোকেনগুলি রেখে একটি শব্দভান্ডার তৈরি করবেন:
tokenized_ds = configure_dataset(tokenized_ds)
vocab_dict = collections.defaultdict(lambda: 0)
for toks in tokenized_ds.as_numpy_iterator():
for tok in toks:
vocab_dict[tok] = 1
vocab = sorted(vocab_dict.items(), key=lambda x: x[1], reverse=True)
vocab = [token for token, count in vocab]
vocab = vocab[:VOCAB_SIZE]
vocab_size = len(vocab)
print("Vocab size: ", vocab_size)
print("First five vocab entries:", vocab[:5])
Vocab size: 10000 First five vocab entries: [b',', b'the', b'and', b"'", b'of']
টোকেনগুলিকে পূর্ণসংখ্যাতে রূপান্তর করতে, একটি tf.lookup.StaticVocabularyTable
তৈরি করতে vocab
সেট ব্যবহার করুন। আপনি [ 2
, vocab_size 2
] পরিসরে পূর্ণসংখ্যাতে টোকেন ম্যাপ করবেন। TextVectorization
লেয়ারের মতো, 0
প্যাডিং বোঝাতে সংরক্ষিত এবং 1
একটি আউট-অফ-ভোকাবুলারি (OOV) টোকেন বোঝাতে সংরক্ষিত।
keys = vocab
values = range(2, len(vocab) 2) # Reserve `0` for padding, `1` for OOV tokens.
init = tf.lookup.KeyValueTensorInitializer(
keys, values, key_dtype=tf.string, value_dtype=tf.int64)
num_oov_buckets = 1
vocab_table = tf.lookup.StaticVocabularyTable(init, num_oov_buckets)
পরিশেষে, টোকেনাইজার এবং লুকআপ টেবিল ব্যবহার করে ডেটাসেটকে মানসম্মত, টোকেনাইজ এবং ভেক্টরাইজ করার জন্য একটি ফাংশন সংজ্ঞায়িত করুন:
def preprocess_text(text, label):
standardized = tf_text.case_fold_utf8(text)
tokenized = tokenizer.tokenize(standardized)
vectorized = vocab_table.lookup(tokenized)
return vectorized, label
আপনি আউটপুট মুদ্রণ করতে একটি একক উদাহরণে এটি চেষ্টা করতে পারেন:
example_text, example_label = next(iter(all_labeled_data))
print("Sentence: ", example_text.numpy())
vectorized_text, example_label = preprocess_text(example_text, example_label)
print("Vectorized sentence: ", vectorized_text.numpy())
Sentence: b'Beneath the yoke the flying coursers led.' Vectorized sentence: [234 3 811 3 446 749 248 7]
এখন Dataset.map
ব্যবহার করে ডেটাসেটে প্রিপ্রসেস ফাংশন চালান:
all_encoded_data = all_labeled_data.map(preprocess_text)
প্রশিক্ষণ এবং পরীক্ষার সেটে ডেটাসেট বিভক্ত করুন
কেরাস TextVectorization
স্তরটি ভেক্টরাইজড ডেটা ব্যাচ এবং প্যাড করে। প্যাডিং প্রয়োজন কারণ একটি ব্যাচের ভিতরের উদাহরণগুলি একই আকার এবং আকৃতির হওয়া প্রয়োজন, কিন্তু এই ডেটাসেটের উদাহরণগুলি সব একই আকারের নয় — পাঠ্যের প্রতিটি লাইনে আলাদা সংখ্যক শব্দ রয়েছে৷
tf.data.Dataset
বিভাজন এবং প্যাডেড-ব্যাচিং ডেটাসেট সমর্থন করে:
train_data = all_encoded_data.skip(VALIDATION_SIZE).shuffle(BUFFER_SIZE)
validation_data = all_encoded_data.take(VALIDATION_SIZE)
train_data = train_data.padded_batch(BATCH_SIZE)
validation_data = validation_data.padded_batch(BATCH_SIZE)
এখন, validation_data
এবং train_data
( example, label
) জোড়ার সংগ্রহ নয়, ব্যাচের সংগ্রহ। প্রতিটি ব্যাচ অ্যারে হিসাবে উপস্থাপিত এক জোড়া ( অনেক উদাহরণ , অনেক লেবেল )।
এটি ব্যাখ্যা করার জন্য:
sample_text, sample_labels = next(iter(validation_data))
print("Text batch shape: ", sample_text.shape)
print("Label batch shape: ", sample_labels.shape)
print("First text example: ", sample_text[0])
print("First label example: ", sample_labels[0])
Text batch shape: (64, 18) Label batch shape: (64,) First text example: tf.Tensor([234 3 811 3 446 749 248 7 0 0 0 0 0 0 0 0 0 0], shape=(18,), dtype=int64) First label example: tf.Tensor(1, shape=(), dtype=int64)
যেহেতু আপনি প্যাডিংয়ের জন্য 0
এবং আউট-অফ-ভোকাবুলারি (OOV) টোকেনের জন্য 1
ব্যবহার করেন, তাই শব্দভান্ডারের আকার দুটি বেড়েছে:
vocab_size = 2
আগের মতো ভালো পারফরম্যান্সের জন্য ডেটাসেটগুলি কনফিগার করুন:
train_data = configure_dataset(train_data)
validation_data = configure_dataset(validation_data)
মডেলকে প্রশিক্ষণ দিন
আপনি আগের মতো এই ডেটাসেটে একটি মডেলকে প্রশিক্ষণ দিতে পারেন:
model = create_model(vocab_size=vocab_size, num_labels=3)
model.compile(
optimizer='adam',
loss=losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
history = model.fit(train_data, validation_data=validation_data, epochs=3)
Epoch 1/3 697/697 [==============================] - 27s 9ms/step - loss: 0.5238 - accuracy: 0.7658 - val_loss: 0.3814 - val_accuracy: 0.8306 Epoch 2/3 697/697 [==============================] - 3s 4ms/step - loss: 0.2852 - accuracy: 0.8847 - val_loss: 0.3697 - val_accuracy: 0.8428 Epoch 3/3 697/697 [==============================] - 3s 4ms/step - loss: 0.1924 - accuracy: 0.9279 - val_loss: 0.3917 - val_accuracy: 0.8424
loss, accuracy = model.evaluate(validation_data)
print("Loss: ", loss)
print("Accuracy: {:2.2%}".format(accuracy))
79/79 [==============================] - 1s 2ms/step - loss: 0.3917 - accuracy: 0.8424 Loss: 0.391705721616745 Accuracy: 84.24%
মডেল রপ্তানি করুন
মডেলটিকে ইনপুট হিসাবে কাঁচা স্ট্রিং নিতে সক্ষম করতে, আপনি একটি কেরাস TextVectorization
স্তর তৈরি করবেন যা আপনার কাস্টম প্রিপ্রসেসিং ফাংশনের মতো একই পদক্ষেপগুলি সম্পাদন করে। যেহেতু আপনি ইতিমধ্যেই একটি শব্দভান্ডার প্রশিক্ষণ নিয়েছেন, আপনি TextVectorization.set_vocabulary
( TextVectorization.adapt
এর পরিবর্তে) ব্যবহার করতে পারেন, যা একটি নতুন শব্দভান্ডারকে প্রশিক্ষণ দেয়।
preprocess_layer = TextVectorization(
max_tokens=vocab_size,
standardize=tf_text.case_fold_utf8,
split=tokenizer.tokenize,
output_mode='int',
output_sequence_length=MAX_SEQUENCE_LENGTH)
preprocess_layer.set_vocabulary(vocab)
export_model = tf.keras.Sequential(
[preprocess_layer, model,
layers.Activation('sigmoid')])
export_model.compile(
loss=losses.SparseCategoricalCrossentropy(from_logits=False),
optimizer='adam',
metrics=['accuracy'])
# Create a test dataset of raw strings.
test_ds = all_labeled_data.take(VALIDATION_SIZE).batch(BATCH_SIZE)
test_ds = configure_dataset(test_ds)
loss, accuracy = export_model.evaluate(test_ds)
print("Loss: ", loss)
print("Accuracy: {:2.2%}".format(accuracy))
2022-02-05 02:26:40.203675: W tensorflow/core/grappler/optimizers/loop_optimizer.cc:907] Skipping loop optimization for Merge node with control input: sequential_4/text_vectorization_2/UnicodeScriptTokenize/Assert_1/AssertGuard/branch_executed/_185 79/79 [==============================] - 6s 8ms/step - loss: 0.4955 - accuracy: 0.7964 Loss: 0.4955357015132904 Accuracy: 79.64%
এনকোড করা বৈধতা সেটে মডেলের ক্ষতি এবং নির্ভুলতা এবং কাঁচা বৈধতা সেটে রপ্তানি করা মডেল একই, প্রত্যাশিত।
নতুন ডেটাতে অনুমান চালান
inputs = [
"Join'd to th' Ionians with their flowing robes,", # Label: 1
"the allies, and his armour flashed about him so that he seemed to all", # Label: 2
"And with loud clangor of his arms he fell.", # Label: 0
]
predicted_scores = export_model.predict(inputs)
predicted_labels = tf.argmax(predicted_scores, axis=1)
for input, label in zip(inputs, predicted_labels):
print("Question: ", input)
print("Predicted label: ", label.numpy())
2022-02-05 02:26:43.328949: W tensorflow/core/grappler/optimizers/loop_optimizer.cc:907] Skipping loop optimization for Merge node with control input: sequential_4/text_vectorization_2/UnicodeScriptTokenize/Assert_1/AssertGuard/branch_executed/_185 Question: Join'd to th' Ionians with their flowing robes, Predicted label: 1 Question: the allies, and his armour flashed about him so that he seemed to all Predicted label: 2 Question: And with loud clangor of his arms he fell. Predicted label: 0
টেনসরফ্লো ডেটাসেট (TFDS) ব্যবহার করে আরও ডেটাসেট ডাউনলোড করুন
আপনি টেনসরফ্লো ডেটাসেট থেকে আরও অনেক ডেটাসেট ডাউনলোড করতে পারেন।
এই উদাহরণে, আপনি অনুভূতি শ্রেণীবিভাগের জন্য একটি মডেলকে প্রশিক্ষণ দিতে IMDB লার্জ মুভি রিভিউ ডেটাসেট ব্যবহার করবেন:
# Training set.
train_ds = tfds.load(
'imdb_reviews',
split='train[:80%]',
batch_size=BATCH_SIZE,
shuffle_files=True,
as_supervised=True)
# Validation set.
val_ds = tfds.load(
'imdb_reviews',
split='train[80%:]',
batch_size=BATCH_SIZE,
shuffle_files=True,
as_supervised=True)
কয়েকটি উদাহরণ প্রিন্ট করুন:
for review_batch, label_batch in val_ds.take(1):
for i in range(5):
print("Review: ", review_batch[i].numpy())
print("Label: ", label_batch[i].numpy())
Review: b"Instead, go to the zoo, buy some peanuts and feed 'em to the monkeys. Monkeys are funny. People with amnesia who don't say much, just sit there with vacant eyes are not all that funny.<br /><br />Black comedy? There isn't a black person in it, and there isn't one funny thing in it either.<br /><br />Walmart buys these things up somehow and puts them on their dollar rack. It's labeled Unrated. I think they took out the topless scene. They may have taken out other stuff too, who knows? All we know is that whatever they took out, isn't there any more.<br /><br />The acting seemed OK to me. There's a lot of unfathomables tho. It's supposed to be a city? It's supposed to be a big lake? If it's so hot in the church people are fanning themselves, why are they all wearing coats?" Label: 0 Review: b'Well, was Morgan Freeman any more unusual as God than George Burns? This film sure was better than that bore, "Oh, God". I was totally engrossed and LMAO all the way through. Carrey was perfect as the out of sorts anchorman wannabe, and Aniston carried off her part as the frustrated girlfriend in her usual well played performance. I, for one, don\'t consider her to be either ugly or untalented. I think my favorite scene was when Carrey opened up the file cabinet thinking it could never hold his life history. See if you can spot the file in the cabinet that holds the events of his bathroom humor: I was rolling over this one. Well written and even better played out, this comedy will go down as one of this funnyman\'s best.' Label: 1 Review: b'I remember stumbling upon this special while channel-surfing in 1965. I had never heard of Barbra before. When the show was over, I thought "This is probably the best thing on TV I will ever see in my life." 42 years later, that has held true. There is still nothing so amazing, so honestly astonishing as the talent that was displayed here. You can talk about all the super-stars you want to, this is the most superlative of them all!<br /><br />You name it, she can do it. Comedy, pathos, sultry seduction, ballads, Barbra is truly a story-teller. Her ability to pull off anything she attempts is legendary. But this special was made in the beginning, and helped to create the legend that she quickly became. In spite of rising so far in such a short time, she has fulfilled the promise, revealing more of her talents as she went along. But they are all here from the very beginning. You will not be disappointed in viewing this.' Label: 1 Review: b"Firstly, I would like to point out that people who have criticised this film have made some glaring errors. Anything that has a rating below 6/10 is clearly utter nonsense.<br /><br />Creep is an absolutely fantastic film with amazing film effects. The actors are highly believable, the narrative thought provoking and the horror and graphical content extremely disturbing. <br /><br />There is much mystique in this film. Many questions arise as the audience are revealed to the strange and freakish creature that makes habitat in the dark rat ridden tunnels. How was 'Craig' created and what happened to him?<br /><br />A fantastic film with a large chill factor. A film with so many unanswered questions and a film that needs to be appreciated along with others like 28 Days Later, The Bunker, Dog Soldiers and Deathwatch.<br /><br />Look forward to more of these fantastic films!!" Label: 1 Review: b"I'm sorry but I didn't like this doc very much. I can think of a million ways it could have been better. The people who made it obviously don't have much imagination. The interviews aren't very interesting and no real insight is offered. The footage isn't assembled in a very informative way, either. It's too bad because this is a movie that really deserves spellbinding special features. One thing I'll say is that Isabella Rosselini gets more beautiful the older she gets. All considered, this only gets a '4.'" Label: 0
আপনি এখন ডেটা প্রিপ্রসেস করতে পারেন এবং আগের মতো একটি মডেলকে প্রশিক্ষণ দিতে পারেন।
প্রশিক্ষণের জন্য ডেটাসেট প্রস্তুত করুন
vectorize_layer = TextVectorization(
max_tokens=VOCAB_SIZE,
output_mode='int',
output_sequence_length=MAX_SEQUENCE_LENGTH)
# Make a text-only dataset (without labels), then call `TextVectorization.adapt`.
train_text = train_ds.map(lambda text, labels: text)
vectorize_layer.adapt(train_text)
def vectorize_text(text, label):
text = tf.expand_dims(text, -1)
return vectorize_layer(text), label
train_ds = train_ds.map(vectorize_text)
val_ds = val_ds.map(vectorize_text)
# Configure datasets for performance as before.
train_ds = configure_dataset(train_ds)
val_ds = configure_dataset(val_ds)
মডেল তৈরি করুন, কনফিগার করুন এবং প্রশিক্ষণ দিন
model = create_model(vocab_size=VOCAB_SIZE 1, num_labels=1)
model.summary()
Model: "sequential_5" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= embedding_2 (Embedding) (None, None, 64) 640064 conv1d_2 (Conv1D) (None, None, 64) 20544 global_max_pooling1d_2 (Glo (None, 64) 0 balMaxPooling1D) dense_3 (Dense) (None, 1) 65 ================================================================= Total params: 660,673 Trainable params: 660,673 Non-trainable params: 0 _________________________________________________________________
model.compile(
loss=losses.BinaryCrossentropy(from_logits=True),
optimizer='adam',
metrics=['accuracy'])
history = model.fit(train_ds, validation_data=val_ds, epochs=3)
Epoch 1/3 313/313 [==============================] - 3s 7ms/step - loss: 0.5417 - accuracy: 0.6618 - val_loss: 0.3752 - val_accuracy: 0.8244 Epoch 2/3 313/313 [==============================] - 1s 4ms/step - loss: 0.2996 - accuracy: 0.8680 - val_loss: 0.3165 - val_accuracy: 0.8632 Epoch 3/3 313/313 [==============================] - 1s 4ms/step - loss: 0.1845 - accuracy: 0.9276 - val_loss: 0.3217 - val_accuracy: 0.8674
loss, accuracy = model.evaluate(val_ds)
print("Loss: ", loss)
print("Accuracy: {:2.2%}".format(accuracy))
79/79 [==============================] - 0s 2ms/step - loss: 0.3217 - accuracy: 0.8674 Loss: 0.32172858715057373 Accuracy: 86.74%
মডেল রপ্তানি করুন
export_model = tf.keras.Sequential(
[vectorize_layer, model,
layers.Activation('sigmoid')])
export_model.compile(
loss=losses.SparseCategoricalCrossentropy(from_logits=False),
optimizer='adam',
metrics=['accuracy'])
# 0 --> negative review
# 1 --> positive review
inputs = [
"This is a fantastic movie.",
"This is a bad movie.",
"This movie was so bad that it was good.",
"I will never say yes to watching this movie.",
]
predicted_scores = export_model.predict(inputs)
predicted_labels = [int(round(x[0])) for x in predicted_scores]
for input, label in zip(inputs, predicted_labels):
print("Question: ", input)
print("Predicted label: ", label)
Question: This is a fantastic movie. Predicted label: 1 Question: This is a bad movie. Predicted label: 0 Question: This movie was so bad that it was good. Predicted label: 0 Question: I will never say yes to watching this movie. Predicted label: 0
উপসংহার
এই টিউটোরিয়ালটি পাঠ্য লোড এবং প্রিপ্রসেস করার বিভিন্ন উপায় প্রদর্শন করেছে। পরবর্তী ধাপ হিসেবে, আপনি অতিরিক্ত টেক্সট প্রিপ্রসেসিং টেনসরফ্লো টেক্সট টিউটোরিয়াল অন্বেষণ করতে পারেন, যেমন:
এছাড়াও আপনি টেনসরফ্লো ডেটাসেটে নতুন ডেটাসেট খুঁজে পেতে পারেন। এবং, tf.data
সম্পর্কে আরও জানতে, ইনপুট পাইপলাইন তৈরির নির্দেশিকাটি দেখুন।