TensorFlow এর মৌলিক ধারণা

টেনসরফ্লো (TensorFlow) এর মৌলিক ধারণা মূলত টেনসর নামক গাণিতিক অবজেক্ট এবং ডাটা ফ্লো গ্রাফ এর ওপর ভিত্তি করে তৈরি। এটি মেশিন লার্নিং এবং ডিপ লার্নিং মডেল তৈরি, প্রশিক্ষণ এবং ডিপ্লয়মেন্ট করার জন্য ব্যবহৃত একটি ওপেন সোর্স লাইব্রেরি।

১. টেনসর (Tensor)

টেনসর হলো ডাটা স্ট্রাকচার যা n-ডাইমেনশনাল অ্যারে (n-dimensional array) হিসেবে কাজ করে। টেনসরফ্লো-এর সবচেয়ে গুরুত্বপূর্ণ উপাদান হলো টেনসর, যা মডেলটির ডেটা এবং গণনা সংরক্ষণ করে।

টেনসর বিভিন্ন ডাইমেনশনের হতে পারে, যেমন:

• স্কেলার (0D): একক মান, যেমন একটি সংখ্যা।
• ভেক্টর (1D): একমাত্রিক অ্যারে, যেমন [1, 2, 3, 4]।
• ম্যাট্রিক্স (2D): দুই মাত্রিক অ্যারে, যেমন 2x2 বা 3x3 মেট্রিক্স।
• হাইয়ার ডাইমেনশনাল (3D, 4D, ইত্যাদি): আরো বেশি মাত্রার ডেটা, যেমন ইমেজ বা ভিডিও যা ত্রিমাত্রিক বা চতুর্থমাত্রিক হতে পারে।

২. ডাটা ফ্লো গ্রাফ (Data Flow Graph)

টেনসরফ্লো ব্যবহার করে একটি কম্পিউটেশনাল গ্রাফ তৈরি করা হয়, যা ডাটা ফ্লো গ্রাফ হিসেবে পরিচিত। এই গ্রাফে:

• প্রতিটি নোড (node) একটি গাণিতিক অপারেশন বা ফাংশন (যেমন অ্যাডিশন, মাল্টিপ্লিকেশন, লিনিয়ার রিগ্রেশন ইত্যাদি)।
• প্রতিটি এজ (edge) একটি টেনসর (ডাটা) স্থানান্তর করে।

ডাটা ফ্লো গ্রাফের মাধ্যমে গণনা করা হয়, যেখানে ডেটা এক নোড থেকে অন্য নোডে প্রবাহিত হয় এবং একাধিক গাণিতিক অপারেশন সম্পাদিত হয়।

৩. অপটিমাইজেশন এবং গ্র্যাডিয়েন্ট ডিসেন্ট

টেনসরফ্লো মেশিন লার্নিং মডেল ট্রেনিং করার জন্য গ্র্যাডিয়েন্ট ডিসেন্ট এলগোরিদম ব্যবহার করে। এটি একটি অপটিমাইজেশন প্রক্রিয়া যা মডেলের লস ফাংশনকে কমানোর চেষ্টা করে। টেনসরফ্লো বিভিন্ন অপটিমাইজার (যেমন Adam, RMSprop) সমর্থন করে, যা মডেলকে দ্রুত এবং কার্যকরভাবে প্রশিক্ষিত করতে সাহায্য করে।

৪. পারফরম্যান্স এবং স্কেলেবিলিটি

টেনসরফ্লো GPU এবং TPU (টেনসর প্রসেসিং ইউনিট) এর মাধ্যমে কম্পিউটেশনাল পারফরম্যান্সকে অনেক উন্নত করে এবং বড় আকারের ডেটাসেট এবং মডেলগুলির সাথে কাজ করতে স্কেল করতে সক্ষম।

এটি ডিস্ট্রিবিউটেড কম্পিউটিং সমর্থন করে, অর্থাৎ একাধিক কম্পিউটার বা সার্ভারের মাধ্যমে ডেটা প্রসেস করা যায়, যার ফলে এটি খুব বড় প্রকল্পের জন্য অত্যন্ত উপযোগী।

৫. টেনসরফ্লো ২.০

টেনসরফ্লো ২.০ এর মধ্যে API-র উন্নতি করা হয়েছে, যা একে আরো ব্যবহারকারী-বান্ধব এবং সহজ করে তোলে। এতে কাস্টম মডেল তৈরি এবং ট্রেনিং সহজ হয়েছে এবং এতে নতুন কেম্পোজেবল API রয়েছে, যা দ্রুত ডিপ লার্নিং মডেল তৈরি এবং এক্সপেরিমেন্ট করার জন্য সহায়ক।

সারাংশ

টেনসরফ্লো এর মৌলিক ধারণা হলো টেনসর এবং ডাটা ফ্লো গ্রাফ ব্যবহার করে মেশিন লার্নিং এবং ডিপ লার্নিং মডেল তৈরি করা। এটি পারফরম্যান্স অপটিমাইজেশন, স্কেলেবিলিটি, এবং সহজ API সমর্থন করে, যা বড় ডেটাসেট এবং জটিল মডেলগুলির জন্য উপযুক্ত।

টেনসর (Tensor) একটি গাণিতিক অবজেক্ট যা একাধিক মাত্রায় ডেটা ধারণ করতে পারে। এটি মূলত ম্যাট্রিক্স (Matrix) এবং ভেক্টর (Vector) এর সাধারণীকৃত রূপ, যা ডিপ লার্নিং এবং মেশিন লার্নিং এ ব্যবহৃত হয়। টেনসর ফরম্যাটে ডেটা সংরক্ষণ এবং প্রক্রিয়া করার মাধ্যমে বড় আকারের ডেটা সেট এবং গাণিতিক অপারেশনগুলি দ্রুত এবং কার্যকরীভাবে পরিচালনা করা যায়।

টেনসর কী?

টেনসর হলো n-মাত্রিক অ্যারে (n-dimensional array), যা বিভিন্ন মাত্রার ডেটা ধারণ করতে সক্ষম। বিভিন্ন ধরণের টেনসর এইভাবে সংজ্ঞায়িত করা যায়:

1. 0D টেনসর (Scalar): একটি একক সংখ্যা বা মান, যেমন 5 বা 3.14।
2. 1D টেনসর (Vector): একটি একমাত্রিক অ্যারে, যেমন [1, 2, 3, 4]।
3. 2D টেনসর (Matrix): একটি দুই-মাত্রিক অ্যারে বা টেবিল, যেমন [[1, 2], [3, 4]]।
4. 3D টেনসর (Higher Dimensional Arrays): তিন বা তার বেশি মাত্রার ডেটা, যেমন [[[1, 2], [3, 4]], [[5, 6], [7, 8]]]।

টেনসর কেন প্রয়োজন?

1. বৃহৎ ডেটা পরিচালনা:
   মেশিন লার্নিং এবং ডিপ লার্নিং মডেলগুলিতে বিশাল আকারের ডেটা ব্যবহৃত হয়। টেনসর ডেটা স্ট্রাকচার ব্যবহার করে একাধিক ডাইমেনশন বা মাত্রায় ডেটা সংরক্ষণ করা যায়, যা বড় ডেটাসেটকে কার্যকরভাবে পরিচালনা করতে সাহায্য করে।
2. গাণিতিক অপারেশন:
   টেনসর গাণিতিক অপারেশনগুলির জন্য অত্যন্ত উপযোগী। যেমন ম্যাট্রিক্স মাল্টিপ্লিকেশন, ভেক্টর যোগফল, স্কেলার গুণফল ইত্যাদি অপারেশনগুলো দ্রুত এবং সহজে টেনসর ব্যবহার করে করা যায়।
3. মডেল প্রশিক্ষণ:
   ডিপ লার্নিং মডেলগুলিতে ডেটা প্রশিক্ষণের সময় উচ্চমাত্রার টেনসর ব্যবহার করা হয়। উদাহরণস্বরূপ, ইমেজ ডেটার জন্য সাধারণত 3D টেনসর ব্যবহৃত হয় (উচ্চতা, প্রস্থ, এবং রঙ চ্যানেল), যেখানে শব্দ বা টেক্সটের জন্য 2D বা 1D টেনসর ব্যবহৃত হয়।
4. প্যারালাল প্রসেসিং:
   টেনসর একটি গাণিতিক ফর্ম্যাট, যা অনেক গাণিতিক কাজ একসাথে (প্যারালাল) চালানো সহজ করে তোলে। যেমন, সিপিইউ এবং জিপিইউ ব্যবহারে উচ্চ পারফরম্যান্স কম্পিউটিং নিশ্চিত করতে টেনসর সমর্থন করে।
5. ডিপ লার্নিং মডেল:
   নিউরাল নেটওয়ার্কের মধ্যে ডেটা প্রবাহের জন্য টেনসর ব্যবহৃত হয়। একটি ডিপ নিউরাল নেটওয়ার্কের প্রতিটি লেয়ার টেনসর ম্যানিপুলেশন এবং পরিবর্তন দ্বারা কাজ করে। এটি নেটওয়ার্কের মধ্যে ডেটা স্থানান্তরের জন্য গতি এবং দক্ষতা প্রদান করে।
6. নমনীয়তা ও স্কেলেবিলিটি:
   টেনসর ডেটার কাঠামো খুবই নমনীয় এবং এটি সহজে স্কেল করা যায়। একাধিক মাত্রায় ডেটা ম্যানিপুলেট করার ফলে মডেলগুলির প্রশিক্ষণ এবং টেস্টিং আরও প্রভাবশালী ও দক্ষ হয়।

সারাংশ

টেনসর গাণিতিকভাবে বিভিন্ন মাত্রায় ডেটা ধারণ করতে সক্ষম একটি ডেটা স্ট্রাকচার, যা মেশিন লার্নিং এবং ডিপ লার্নিং মডেলগুলির জন্য অত্যন্ত গুরুত্বপূর্ণ। এটি বড় ডেটাসেট পরিচালনা, গাণিতিক অপারেশন সম্পাদন, মডেল প্রশিক্ষণ এবং প্যারালাল প্রসেসিংয়ের জন্য ব্যবহার করা হয়, যার ফলে মডেলগুলির কার্যকারিতা এবং পারফরম্যান্স বৃদ্ধি পায়।

টেনসরফ্লো গ্রাফ (TensorFlow Graph) এবং সেশন (Session) হল দুটি গুরুত্বপূর্ণ ধারণা যা টেনসরফ্লোতে মডেল তৈরি এবং কার্যকর করার জন্য ব্যবহৃত হয়। এই দুটি উপাদান টেনসরফ্লোতে ডেটা প্রসেসিং এবং মডেল ট্রেনিং-এর জন্য একটি শক্তিশালী কাঠামো তৈরি করে।

টেনসরফ্লো গ্রাফ (TensorFlow Graph)

টেনসরফ্লো গ্রাফ হল একটি কম্পিউটেশনাল গ্রাফ যেখানে মডেল তৈরি এবং তার সকল গাণিতিক অপারেশন (যেমন যোগ, গুণ, ভাগ ইত্যাদি) একটি গ্রাফের মাধ্যমে সঞ্চালিত হয়। এটি একটি বিমূর্ত উপস্থাপনা, যা টেনসরফ্লোকে যেকোনো গাণিতিক বা মেশিন লার্নিং অপারেশনকে একটি গ্রাফ হিসেবে পরিচালনা করতে সাহায্য করে।

গ্রাফের মৌলিক উপাদানসমূহ:

1. নোড (Nodes):
   • প্রতিটি নোড গ্রাফে একটি গাণিতিক অপারেশন বা গণনা সম্পাদন করে, যেমন যোগ, গুণ, বা একাধিক গণনা।
   • উদাহরণস্বরূপ, একটি নোড একসঙ্গে দুটি টেনসর যোগ করতে পারে, অথবা নিউরাল নেটওয়ার্কে একক লেয়ার গণনা করতে পারে।
2. এজ (Edges):
   • এজগুলি হল ডেটা (টেনসর) যা গ্রাফের বিভিন্ন নোডের মধ্যে প্রবাহিত হয়।
   • এগুলি ডেটা স্থানান্তরের জন্য ব্যবহৃত হয়, যেমন এক নোডের আউটপুট অন্য নোডের ইনপুট হিসাবে ব্যবহার করা।
3. টেনসর (Tensors):
   • টেনসর হল ডেটা, যা গ্রাফের মধ্যে প্রবাহিত হয় এবং গাণিতিক অপারেশনগুলি সম্পন্ন হয়।
   • এটি মাল্টি-ডাইমেনশনাল অ্যারে হতে পারে, যেমন স্কেলার (0D), ভেক্টর (1D), ম্যাট্রিক্স (2D), বা আরও উচ্চ মাত্রার ডেটা।
4. ফিড ফরওয়ার্ড ও ব্যাকপ্রপাগেশন:
   • গ্রাফে ফিড ফরওয়ার্ড এবং ব্যাকপ্রপাগেশন মেথডগুলি নোডের মাধ্যমে ব্যবহৃত হয়, যেখানে একে অপরকে ইনপুট ও আউটপুট হিসেবে পাস করে গণনা সম্পন্ন হয়।

টেনসরফ্লো সেশন (TensorFlow Session)

টেনসরফ্লো সেশন হল একটি পরিবেশ যেখানে টেনসরফ্লো গ্রাফ কার্যকরী হয় এবং ডেটার সাথে কাজ করে। সেশন একটি এক্সিকিউশন কনটেক্সট তৈরি করে, যেখানে আপনি গ্রাফের অপারেশনগুলি রান করতে পারেন। এটি টেনসরফ্লো গ্রাফের উপর কার্যকরীভাবে গণনা চালানোর জন্য একটি গুরুত্বপূর্ণ অংশ।

সেশন এর কাজ:

1. গ্রাফ এক্সিকিউশন:
   • গ্রাফটি যখন তৈরি হয়, তখন সেই গ্রাফে সংজ্ঞায়িত অপারেশনগুলি কার্যকরী করার জন্য একটি সেশন তৈরি করতে হয়।
   • সেশন কার্যকরী করার সময়, গ্রাফে নির্দিষ্ট অপারেশন চালানো হয় এবং ফলাফল পাওয়া যায়।
2. ইনপুট এবং আউটপুট:
   • সেশনের মাধ্যমে ইনপুট টেনসর প্রদান করা হয় এবং সেই অনুযায়ী আউটপুট টেনসর সংগ্রহ করা হয়।
   • উদাহরণস্বরূপ, একটি সেশন ব্যবহার করে আপনি ইনপুট ডেটা প্রদান করে মডেলকে ট্রেন করতে পারেন এবং তার পরিণাম আউটপুট হিসেবে পেতে পারেন।
3. অপারেশন রান করা:
   • সেশন ব্যবহার করে গ্রাফের প্রতিটি অপারেশন রান করতে হয়, এবং এর মাধ্যমে আপনি ফলাফল (আউটপুট) বের করতে পারেন।
   • এটি একটি নির্দিষ্ট এক্সিকিউশন কনটেক্সট তৈরি করে এবং সেই কনটেক্সটে গ্রাফের অপারেশনগুলো চালায়।

গ্রাফ এবং সেশন এর মধ্যে সম্পর্ক

• গ্রাফ হল মডেলটির গাণিতিক বা অপারেশনাল কাঠামো, যা কেবল গ্রাফের ফর্মে সংজ্ঞায়িত থাকে।
• সেশন হল সেই কাঠামোকে কার্যকরী করার প্রক্রিয়া। সেশন ছাড়া, আপনি গ্রাফের অপারেশন কার্যকরী করতে পারবেন না।

গ্রাফ এবং সেশন একসাথে কাজ করে টেনসরফ্লোর কাজকে সম্পাদন করে। গ্রাফটি তৈরি এবং সেশনটি সেই গ্রাফের অপারেশন কার্যকরী করতে সাহায্য করে। সেশনের মাধ্যমে আপনি টেনসরফ্লো মডেল ট্রেনিং এবং ইনফারেন্স (ফলাফল পাওয়া) করতে পারেন।

সারাংশ

• টেনসরফ্লো গ্রাফ হল গাণিতিক অপারেশনগুলির বিমূর্ত উপস্থাপনা, যেখানে টেনসরফ্লো মডেল তৈরি হয়।
• টেনসরফ্লো সেশন হল সেই গ্রাফ কার্যকরী করার পরিবেশ, যেখানে অপারেশনগুলি রান করা হয় এবং ফলাফল পাওয়া যায়।
• এই দুটি উপাদান একসাথে মেশিন লার্নিং এবং ডিপ লার্নিং মডেল তৈরি ও প্রশিক্ষণের জন্য গুরুত্বপূর্ণ কাঠামো সরবরাহ করে।

টেনসর (Tensor) হলো একটি গাণিতিক অবজেক্ট যা মাল্টি-ডাইমেনশনাল অ্যারে হিসেবে কাজ করে। এটি গাণিতিক এবং মেশিন লার্নিং মডেল তৈরির জন্য অত্যন্ত গুরুত্বপূর্ণ, বিশেষত ডিপ লার্নিংয়ে যেখানে ডেটা বিভিন্ন মাত্রায় থাকে।

টেনসরের ডাইমেনশন (Dimension)

ডাইমেনশন হলো একটি টেনসরের একটি নির্দিষ্ট মাত্রা বা ভেক্টরের আকার, যেটি টেনসরটির গঠন বা আয়তন নির্দেশ করে। উদাহরণস্বরূপ:

1. 0D টেনসর (স্কেলার):
   একটি 0D টেনসর হলো একটি একক মান (scalar), যেমন একটি সংখ্যা। এটি কোনো মাত্রা বা আয়তন ধারণ করে না।
   • উদাহরণ: 5, -3, 0.75
   • ডাইমেনশন: 0 (স্কেলার)
2. 1D টেনসর (ভেক্টর):
   একটি 1D টেনসর হলো একমাত্রিক অ্যারে বা ভেক্টর, যেখানে ডেটার এক বা একাধিক মান থাকে। এটি একটি একক দিক বা মাত্রার তথ্য ধারণ করে।
   • উদাহরণ: [1, 2, 3, 4]
   • ডাইমেনশন: 1
3. 2D টেনসর (ম্যাট্রিক্স):
   একটি 2D টেনসর হলো দুই মাত্রার অ্যারে, যাকে সাধারণত ম্যাট্রিক্স বলা হয়। এটি সারি (rows) এবং কলাম (columns) নিয়ে গঠিত।
   • উদাহরণ: $$\begin{bmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \end{bmatrix}$$
   • ডাইমেনশন: 2 (সারি × কলাম)
4. 3D টেনসর:
   একটি 3D টেনসর হলো তিন মাত্রার অ্যারে, যেটি গভীরতা, সারি এবং কলাম ধারণ করে। সাধারণত এটি চিত্র বা ভিডিও ডেটা হিসেবে ব্যবহৃত হয়, যেখানে প্রতিটি পিক্সেল গভীরতায় (depth) থাকে।
   • উদাহরণ: একটি 3D ম্যাট্রিক্সের আকার হতে পারে $(3, 4, 5)$, যেখানে 3 হলো ব্যাচ সাইজ, 4 হলো সারি এবং 5 হলো কলাম।
   • ডাইমেনশন: 3 (ব্যাচ সাইজ × সারি × কলাম)
5. 4D টেনসর:
   একটি 4D টেনসর হলো চার মাত্রার অ্যারে, যেটি সাধারণত চিত্র বা ভিডিও প্রক্রিয়াকরণ যেমন ভিডিও ফ্রেমে ব্যবহৃত হয়, যেখানে আরো একটি গভীরতা বা চ্যানেল (channels) থাকে।
   • উদাহরণ: (ব্যাচ সাইজ × উচ্চতা × প্রস্থ × চ্যানেল)
   • ডাইমেনশন: 4

টেনসরের শেপ (Shape)

শেপ হলো একটি টেনসরের আকার, যা তার ডাইমেনশন এবং প্রতিটি ডাইমেনশনের সাইজ বা আয়তন নির্ধারণ করে। শেপ টেনসরের সঠিক আয়তন বোঝাতে সাহায্য করে, যেমন সংখ্যার কতটি সারি, কলাম, বা গভীরতা রয়েছে।

টেনসরের শেপ সাধারণত একটি tuple বা list আকারে লেখা হয়, যেখানে প্রতিটি উপাদান ওই মাত্রার আয়তন বা সাইজ নির্দেশ করে।

উদাহরণ:

1. 0D টেনসর (স্কেলার):
   শেপ: ()
   অর্থাৎ কোন আয়তন বা মাত্রা নেই।
2. 1D টেনসর (ভেক্টর):
   শেপ: (n,)
   এখানে n হলো ভেক্টরের আয়তন বা মানের সংখ্যা।
   • উদাহরণ: shape = (4,) → এটি একটি 1D টেনসর যা 4টি মান ধারণ করে।
3. 2D টেনসর (ম্যাট্রিক্স):
   শেপ: (m, n)
   এখানে m হলো সারির সংখ্যা এবং n হলো কলামের সংখ্যা।
   • উদাহরণ: shape = (2, 3) → এটি একটি 2D টেনসর, যা 2টি সারি এবং 3টি কলাম ধারণ করে।
4. 3D টেনসর:
   শেপ: (d, m, n)
   এখানে d হলো গভীরতার (depth) সংখ্যা, m হলো সারির সংখ্যা, এবং n হলো কলামের সংখ্যা।
   • উদাহরণ: shape = (3, 4, 5) → এটি একটি 3D টেনসর, যার গভীরতা 3, সারি 4 এবং কলাম 5।
5. 4D টেনসর:
   শেপ: (b, h, w, c)
   এখানে b হলো ব্যাচ সাইজ, h হলো উচ্চতা (height), w হলো প্রস্থ (width), এবং c হলো চ্যানেলের সংখ্যা।
   • উদাহরণ: shape = (32, 64, 64, 3) → এটি একটি 4D টেনসর, যা 32টি ব্যাচ, 64×64 পিক্সেলের চিত্র এবং 3টি চ্যানেল (রেড, গ্রীন, ব্লু) ধারণ করে।

সারাংশ

টেনসর একটি মাল্টি-ডাইমেনশনাল ডেটা স্ট্রাকচার, যা বিভিন্ন মাত্রার অ্যারে বা গাণিতিক অবজেক্টের মাধ্যমে গঠন করা হয়। এর ডাইমেনশন এবং শেপ টেনসরের আকার এবং গঠন বুঝতে সাহায্য করে। এটি মেশিন লার্নিং এবং ডিপ লার্নিং মডেল তৈরি করতে খুবই গুরুত্বপূর্ণ।

টেনসরফ্লো (TensorFlow)-এ Constants, Variables, এবং Placeholders হল তিনটি গুরুত্বপূর্ণ উপাদান, যা মডেল তৈরির সময় ব্যবহৃত হয়। প্রতিটি উপাদানের নিজস্ব ভূমিকা এবং ব্যবহার রয়েছে যা মেশিন লার্নিং এবং ডিপ লার্নিং মডেল তৈরিতে সহায়ক।

Constants (ধ্রুবক)

Constants হল এমন মান যা পরিবর্তনযোগ্য নয়, অর্থাৎ একবার সেট করা হলে, তা অপরিবর্তিত থাকে। টেনসরফ্লোতে, একটি constant তৈরি করা হয় যখন আমরা এমন কোন ডেটা ব্যবহার করতে চাই, যা মডেল প্রশিক্ষণের সময় পরিবর্তিত হবে না।

ব্যবহার:

• Fixed values যেমন পূর্বনির্ধারিত প্যারামিটার বা প্রি-প্রসেসড ডেটা রাখতে constants ব্যবহার করা হয়।
• এটি মডেল প্রশিক্ষণের সময় একটি নির্দিষ্ট মান স্থির রাখতে সহায়ক।

উদাহরণ:

import tensorflow as tf

# একটি constant তৈরি করা
x = tf.constant(5)

এই উদাহরণে, x একটি ধ্রুবক যা সর্বদা ৫ থাকবে এবং এর মান পরিবর্তিত হবে না।

Variables (ভেরিয়েবল)

Variables এমন মান যা পরিবর্তনশীল এবং মডেল প্রশিক্ষণের সময় আপডেট হতে পারে। ভেরিয়েবলগুলি ব্যবহার করা হয় যখন আপনি ডেটার মান পরিবর্তন করতে চান, যেমন মডেলের প্যারামিটার বা লার্নিং রেট, যা প্রশিক্ষণের সময় পরিবর্তিত হয়।

ব্যবহার:

• Model parameters (যেমন ওয়েট এবং বায়াস) এর জন্য ব্যবহার করা হয়।
• মডেল প্রশিক্ষণের সময় গ্র্যাডিয়েন্ট বেসড আপডেট বা অপটিমাইজেশন এর মাধ্যমে মান পরিবর্তন করা হয়।

উদাহরণ:

# একটি variable তৈরি করা
w = tf.Variable(tf.random.normal([1]), name="weight")

# ভেরিয়েবলটির মান আপডেট করা
w.assign(10)

এখানে, w একটি ভেরিয়েবল যা প্রশিক্ষণের সময় আপডেট হতে পারে। w.assign(10) এর মাধ্যমে আমরা এই ভেরিয়েবলের মান পরিবর্তন করেছি।

Placeholders (প্লেসহোল্ডার)

Placeholders এমন পরিবর্তনশীল যা ডেটা ইনপুটের জন্য ব্যবহৃত হয়, কিন্তু তাদের মান প্রশিক্ষণের সময় সরাসরি সেট করা হয় না। এটি মডেলের ইনপুট ডেটা বা লেবেলগুলো রাখার জন্য ব্যবহৃত হয় এবং প্রশিক্ষণ চলাকালীন বিভিন্ন ডেটা পাস করা যেতে পারে। প্লেসহোল্ডারগুলি মূলত ডেটা ফিড করার জন্য ব্যবহৃত হয়।

ব্যবহার:

• Training data এবং labels প্লেসহোল্ডার ব্যবহার করে দেওয়া হয়।
• প্রশিক্ষণের সময় বিভিন্ন ডেটা সেট ব্যবহার করতে প্লেসহোল্ডারগুলি ব্যবহার করা হয়।

উদাহরণ:

# একটি placeholder তৈরি করা
x_input = tf.placeholder(dtype=tf.float32, shape=[None, 3])

# প্লেসহোল্ডারের মাধ্যমে ডেটা ইনপুট প্রদান করা
feed_dict = {x_input: [[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]]}

এখানে, x_input একটি প্লেসহোল্ডার যা ইনপুট ডেটা নেবে। প্রশিক্ষণ চলাকালীন, feed_dict এর মাধ্যমে আমরা প্লেসহোল্ডারে ডেটা পাস করি।

সারাংশ

• Constants (ধ্রুবক): পরিবর্তনশীল নয়, মডেল তৈরির সময় একবার মান সেট করা হয় এবং তা অপরিবর্তিত থাকে।
• Variables (ভেরিয়েবল): পরিবর্তনশীল, প্রশিক্ষণের সময় তাদের মান আপডেট হতে পারে।
• Placeholders (প্লেসহোল্ডার): ইনপুট ডেটা বা লেবেলগুলির জন্য ব্যবহৃত হয়, যা প্রশিক্ষণের সময় সরাসরি ডেটা সরবরাহ করা হয়।

এই তিনটি উপাদান মডেল তৈরি ও প্রশিক্ষণের সময় বিভিন্ন কাজে ব্যবহৃত হয় এবং একটি মডেলকে কার্যকরভাবে তৈরি এবং ট্রেন করতে সাহায্য করে।