এখানে আমরা একটি উদাহরণ দিয়ে দেখাবো কীভাবে RNN মডেল তৈরি ও Training করা যায়। আমাদের উদাহরণটি একটি টাইম-সিরিজ ডেটা নিয়ে, যেখানে আমরা কিছু ক্রম অনুযায়ী পরবর্তী মান পূর্বাভাস দেওয়ার চেষ্টা করব। আমরা টেন্সরফ্লো এবং কেরাস ব্যবহার করব এই মডেল তৈরিতে।
ধাপ ১: প্রয়োজনীয় লাইব্রেরি ইমপোর্ট করা
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import SimpleRNN, Dense
from tensorflow.keras.preprocessing.sequence import TimeseriesGenerator
ধাপ ২: ডেটা তৈরি করা
আমরা টাইম-সিরিজ ডেটা ব্যবহার করছি যেখানে প্রতিটি মান পূর্ববর্তী মানের উপর নির্ভরশীল। উদাহরণস্বরূপ, আমরা একটি সংখ্যা ক্রম তৈরি করব এবং সেই ক্রম থেকে ভবিষ্যতের মান পূর্বাভাস দেওয়ার চেষ্টা করব।
# টাইম-সিরিজ ডেটা
data = np.array([i for i in range(100)]) # ০ থেকে ৯৯ পর্যন্ত সংখ্যা
target = np.array([i+1 for i in range(100)]) # ১ থেকে ১০০ পর্যন্ত সংখ্যা
# টাইম-সিরিজ জেনারেটর তৈরি করা
sequence_length = 5 # প্রতিটি ইনপুট সিকোয়েন্সের দৈর্ঘ্য
generator = TimeseriesGenerator(data, target, length=sequence_length, batch_size=1)
ধাপ ৩: RNN মডেল তৈরি করা
এখানে আমরা একটি সিম্পল RNN ব্যবহার করব, যেখানে একটি হিডেন লেয়ার এবং একটি আউটপুট লেয়ার থাকবে।
# মডেল তৈরি করা
model = Sequential()
model.add(SimpleRNN(10, activation='relu', input_shape=(sequence_length, 1))) # ১০ ইউনিটের একটি RNN লেয়ার
model.add(Dense(1)) # আউটপুট লেয়ার
# মডেল কম্পাইল করা
model.compile(optimizer='adam', loss='mse')
ধাপ ৪: মডেল প্রশিক্ষণ করা
একবার মডেল তৈরি হয়ে গেলে, আমরা জেনারেটর ডেটা ব্যবহার করে মডেলকে প্রশিক্ষণ করব।
# মডেল প্রশিক্ষণ করা
model.fit(generator, epochs=20)
ধাপ ৫: পূর্বাভাস করা
মডেল প্রশিক্ষণ শেষ হলে, আমরা নতুন ইনপুটের জন্য পূর্বাভাস করতে পারি।
# পূর্বাভাসের জন্য একটি নতুন সিকোয়েন্স
test_input = np.array([95, 96, 97, 98, 99]).reshape((1, sequence_length, 1)) # ৯৫ থেকে ৯৯ পর্যন্ত একটি সিকোয়েন্স
prediction = model.predict(test_input, verbose=0)
print("Next value prediction:", prediction)
উদাহরণের ফলাফল বিশ্লেষণ
এই উদাহরণে, আমরা একটি ধারাবাহিক সংখ্যা থেকে পরবর্তী সংখ্যা পূর্বাভাসের চেষ্টা করেছি। মডেলটি প্রতি ধাপে পূর্ববর্তী কয়েকটি মান ব্যবহার করে পরবর্তী মান সম্পর্কে ধারণা করেছে। মডেলটি যদি ভালোভাবে প্রশিক্ষিত হয়, তাহলে এটি ১০০ এর কাছাকাছি একটি মান অনুমান করবে।
গুরুত্বপূর্ণ কিছু টিপস
- ইনপুট শেপ: RNN মডেলের ইনপুট শেপ
(samples, time_steps, features)এই আকারে হতে হবে। - Batch Size এবং Sequence Length: ছোট সিকোয়েন্সের জন্য ছোট ব্যাচ সাইজ এবং দীর্ঘ সিকোয়েন্সের জন্য বড় ব্যাচ সাইজ ব্যবহার করা যেতে পারে।
- Model Tuning:
epochsসংখ্যা বাড়িয়ে এবংSimpleRNNইউনিট সংখ্যা পরিবর্তন করে মডেল পারফরম্যান্স উন্নত করা সম্ভব। - Advanced Layers: বড় ও দীর্ঘমেয়াদী নির্ভরশীলতার ডেটার জন্য LSTM বা GRU ব্যবহার করা আরও কার্যকর হতে পারে।
এই পদ্ধতি অনুসরণ করে আপনি Sequence Data নিয়ে RNN মডেল প্রশিক্ষণ করতে এবং সঠিক পূর্বাভাস পেতে পারবেন।
Read more
