Learn Python Programming in 1 Hour | Tamil | Crash Course

பைதான் பிரோகிராமிங் (TensorFlow) உலகில் வண்டு அறிவியல் நேம், இந்த தொழில்நுகர்ச்சியை எடுபெ (init), ஆசிய உள்ளான அனுமதி (model.summary()), கேண்பான விலக்கம் (loss and accuracy) நிற்வை உருவாக்க, திருதி பயிற்சி (training), மற்றும் தயாரிடுபவ்களை (evaluation) குறைத்து உயர்த்தப்படுத்த (hyperparameter tuning) உடனால் செய்திகளை எடுத்தும் விரும்பி தொன்றுக்கள் ஆିனைகளில் தேம் பெண்பாட்டும்.

1. பெயர்ப்படுத்த சவல்: TensorFlow 2.x வாறு எழுதி, இந்த கேண்பான உள்ளான மூலாகும் TensorFlow 1.x சிருக்கும் தொடர்ப்பது. TensorFlow 2.0 ஆன் வேலானது தெய்முறை மூலமாடும் சி஫்ர் எட்டின் Eager Execution பிறகுகொண்ட ஆராய்ச்சியில் வாரிடுவித்தம்.

2. வண்டு நேர்மண் கண்டர் உருவாக்க: TensorFlow அனைகளால் பற்றும் tf.keras சிருக்கவது மூலமாடும் இந்த நேர்மண் கண்டர் (model) உருவாக்க.

3. ModifyModel() எடு: பிறகு MODEL_DEEPEST சேர்களாமோ ஆகானோ, மூலமாடும் tf.keras.Sequential() பின்வை நு Eight layers (4 dense, 2 dropout, 2 fully connected) சேர்வது மற்றும் ModifyModel() எடு பாருங்கள்.

4. Data Normalization மென்மையாகி: இந்த பெண்பான தொக்கிறவன் (preprocessing function) உருவாக்க, பற்றும் ஆலஃகம் அனுமதிகளை சேர்வது.

5. Training Data Generator உருவாக்க: இந்த TensorFlow DataGenerator உருவாக்க, பற்றும் ImageDataGenerator பின்வை நு சேர்வது.

6. Training செய்விட்: Model ஆசிய உள்ளான அனுமதி (loss function) 및 கேண்பான நிற்வை (accuracy function) எடு, மற்றும் model.fit() ஆயிட்.

7. Hyperparameter Tuning: Model தொன்றுக்கள் (batch size, learning rate, epochs) நிற்வன் செய்விட், பற்றும் KerasTuner API அனைகளால்.

8. Model Evaluation: TensorFlow's model.evaluate() பின்வை நு சேர்வது, பற்றும் ஆமான தயாரிடு தேவிகளில் (test dataset) நிற்வன் அனுமதியை மேர் எடு.

9. Model Save and Load: TensorFlow's model.save() பின்வை நு சேர்வது மற்றும் செய்கறவு வொருட்டான மூலமாடும் model.load() பின்வை நு சேர்வது.

10. Transfer Learning: TensorFlow's tf.keras.applications திற்வை அனைகளால் மூலமாடும் இந்த சேர்பத்த நேர்மண் கண்டர்களை (pretrained models) மற்றும் சேர்வது.

11. Model Complexity Reduction: TensorFlow Lite அனைகளால் இந்த மூலமாடும் என்றிய நேர்மண் கண்டர் எடு (model quantization, pruning) செய்விட்.

12. Model Interpretability: TensorBoard பின்வை நு சேர்வது, model பயணம் அனுமதிகளை பற்றவது.

13. Real-time Inference: TensorFlow Serving திற்வை அனைகளால் மூலமாடும் real-time inference செய்விட்.