TensorFlow Hub একটি গ্রন্থাগার যা আপনি pre-trained models সহজেই ব্যবহার করতে পারেন এবং তাদের ভিত্তিতে নতুন মডেল তৈরি করতে পারেন। TensorFlow Hub এর মাধ্যমে আপনি pre-trained models ব্যবহার করে সময় বাঁচাতে পারেন, যেগুলি অন্যান্য ডেটাসেটগুলিতে প্রশিক্ষিত হয়ে থাকে এবং আপনি সেগুলিকে আপনার মডেলে ইন্টিগ্রেট করতে পারেন।
এখানে, আমি TensorFlow Hub থেকে একটি pre-trained model লোড করার এবং সেটি ব্যবহার করার জন্য একটি ধাপে ধাপে গাইড দিচ্ছি।
ধাপ ১: প্রয়োজনীয় লাইব্রেরি ইনস্টল করা
প্রথমে আপনার সিস্টেমে TensorFlow এবং TensorFlow Hub ইনস্টল করতে হবে।
pip install tensorflow tensorflow-hub
ধাপ ২: মডেল লোড করা
এখন, আপনি TensorFlow Hub থেকে একটি pre-trained model লোড করতে পারেন। এখানে আমরা একটি Image Classification মডেল, যেমন MobileNetV2 লোড করব।
import tensorflow as tf
import tensorflow_hub as hub
import numpy as np
import matplotlib.pyplot as plt
# Pre-trained model URL from TensorFlow Hub
model_url = "https://tfhub.dev/google/tf2-preview/mobilenet_v2/classification/4"
# Load the pre-trained model
model = hub.KerasLayer(model_url)
# Print model summary
model.summary()
এখানে, MobileNetV2 একটি জনপ্রিয় pre-trained model যা Image Classification-এর জন্য ব্যবহৃত হয়।
ধাপ ৩: ইনপুট ডেটা প্রক্রিয়া করা
মডেলটি এক্সপেক্টেড ইনপুট আকারের (যেমন: 224x224 পিক্সেল) একটি ছবি নিতে পারে। তাই আপনাকে আপনার ইনপুট ইমেজটি সঠিক আকারে রিসাইজ এবং প্রক্রিয়া করতে হবে।
# Example image URL (can be any image)
image_path = "path_to_your_image.jpg"
# Load image
img = tf.io.read_file(image_path)
img = tf.image.decode_jpeg(img, channels=3) # decode the image into a tensor
img = tf.image.resize(img, [224, 224]) # Resize the image to match model's expected input
img = img / 255.0 # Normalize the image to [0, 1]
# Add batch dimension
img = tf.expand_dims(img, axis=0)
# Print image shape
print(f"Processed Image Shape: {img.shape}")
এখানে, 224x224 হল MobileNetV2 মডেলের ইনপুট আকার, এবং ছবিটি 0 থেকে 1 পর্যন্ত normalize করা হয়েছে।
ধাপ ৪: মডেল ইনফারেন্স করা
এখন, আপনি মডেলটি ব্যবহার করে একটি ছবি ক্লাসিফাই করতে পারেন।
# Perform inference
predictions = model(img)
# Get predicted class index
predicted_class = np.argmax(predictions, axis=-1)
# Print predicted class index
print(f"Predicted Class Index: {predicted_class}")
এখানে, predictions হলো মডেলের আউটপুট (একটি tensor), এবং np.argmax ব্যবহার করে সর্বোচ্চ স্কোর পাওয়া ক্লাসটি চিহ্নিত করা হয়।
ধাপ ৫: আউটপুট ক্লাসের নাম নির্ধারণ করা
TensorFlow Hub-এ ব্যবহৃত মডেলগুলি সাধারণত class labels এর সাথে সম্পর্কিত থাকে। MobileNetV2 মডেলটির জন্য, আমরা ImageNet ক্লাস লেবেলগুলির সাথে মানানসই আউটপুট তৈরি করতে পারি।
# ImageNet class labels
labels_path = "https://storage.googleapis.com/download.tensorflow.org/data/imagenet_class_index.json"
class_idx = tf.keras.utils.get_file('imagenet_class_index.json', labels_path)
import json
with open(class_idx, 'r') as f:
class_labels = json.load(f)
# Get the label for the predicted class
predicted_label = class_labels[str(predicted_class[0])][1]
print(f"Predicted Label: {predicted_label}")
এখানে, imagenet_class_index.json ফাইলটি ImageNet ডেটাসেটে থাকা প্রতিটি ক্লাসের নাম এবং তাদের ইন্ডেক্স ধারণ করে।
সারাংশ
- TensorFlow Hub থেকে pre-trained models লোড করা খুবই সহজ। আপনি সহজেই এটি ইমেজ ক্লাসিফিকেশন, ভাষা প্রক্রিয়াকরণ বা অন্যান্য কাজের জন্য ব্যবহার করতে পারেন।
- আপনি KerasLayer ব্যবহার করে মডেল লোড করতে পারেন এবং এটি TensorFlow মডেল আর্কিটেকচারে যুক্ত করতে পারেন।
- ইনপুট ইমেজটি প্রক্রিয়া করা, মডেল ইনফারেন্স চালানো, এবং class labels বের করা সবই খুব সহজে করা যায়।
এভাবে, TensorFlow Hub এর মাধ্যমে pre-trained মডেল লোড এবং ব্যবহার করে আপনি দ্রুত প্রকল্পে মডেল ইন্টিগ্রেট করতে পারবেন।
Read more
