CC BY
58NEYRON TARMOQLARINI O'RGANISHDA "TENSORFLOW" IMKONIYATLARIDAN FOYDALANISH
Ahmadxon Avazxon o'g'li Qodirov
Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti
Farg'ona filiali
ANNOTATSIYA
Tensorflow - bu Google jamoasi tomonidan mashinani o'rganish va chuqur o'rganish tushunchalarini eng oson tarzda amalga oshirish uchun ishlab chiqilgan dastur kutubxonasi hisoblanadi. Kutubxona ko'plab matematik ifodalarni oson hisoblash uchun optimallashtirish usullarini o'zida birlashtiradi.
Kalit so'zlar: Tensorflow, neyron tarmoq, hisoblash grafi, Google, CPU, GPU, taqsimlangan hisoblash.
USING TENSORFLOW FEATURES IN THE STUDY OF NEURAL
NETWORKS
ANNOTATION
TensorFlow is a software library, designed by the Google team to implement machine learning and deep learning concepts in the easiest manner. It combines the computational algebra of optimization techniques for easy calculation of many mathematical expressions.
Keywords: Tensorflow, Neural Network, Calculation graph, Google, CPU, GPU, distributed calculation.
KIRISH
Tensorflow - "Google Brain" jamoasi tomonidan yaratilgan raqamli hisoblash va keng ko'lamli mashinani o'rganish uchun ochiq kodli kutubxona. Tensorflow to'plamlari birgalikda mashinalarni o'rganish va chuqur o'rganish modellari va algoritmlari bilan birga, va ularni umumiy metafora bilan foydali qiladi. Ushbu dasturlarni yuqori samarali C ++ tillarida amalga oshirishda ramkalar yordamida ushbu dasturlarni bajarishda ramka bilan arizalarni yaratish uchun qulay API interfeysini taqdim etish uchun Pythondan foydalanadi.
ADABIYOTLAR TAHLILI VA METODOLOGIYA
TensorFlow raqamli hisoblash uchun kuchli, ochiq kodli dasturiy ta'minot kutubxonasi bo'lib, ayniqsa keng miqyosli "Machine Learning" uchun juda mos va qulay sozlanmalarga ega. Uning asosiy prinsipi oddiy: siz avval Pythonda bajarish
uchun hisob-kitoblar grafini aniqlaysiz (masalan, 1.1-rasm), keyin TensorFlow bu grafni oladi va uni optimallashtirilgan C++ kodidan foydalanib ishga tushiradi.
1.1-rasm. Oddiy hisoblash grafi
Eng muhimi, grafni bir nechta bo'laklarga bo'lish va ularni bir nechta CPU (markaziy protsessor) yoki GPU (grafik protsessor) bo'ylab parallel ravishda ishga tushirish mumkin (1.2-rasmda ko'rsatilganidek). TensorFlow, shuningdek, taqsimlangan hisoblashni qo'llab-quvvatlaydi, shuning uchun siz hisob-kitoblarni yuzlab serverlarga bo'lish orqali o'rtacha vaqt ichida ulkan o'quv majmualarida ulkan neyron tarmoqlarni o'rgatishingiz mumkin. TensorFlow har biri millionlab xususiyatlarga ega milliardlab misollardan tashkil topgan o'quv majmuasida millionlab parametrlarga ega tarmoqni o'rgatishi mumkin. Buning ajablanarli joyi yo'q, chunki TensorFlow Google Brain jamoasi tomonidan ishlab chiqilgan va u Google Cloud Speech, Google Photos va Google Search kabi ko'plab Google xizmatlarini quvvatlaydi.
1.2-rasm. Bir nechta CPU/GPU/serverlarda parallel hisoblash
NATIJALAR VA MUHOKAMA
2015-yil noyabr oyida TensorFlow ochiq manbali bo'lganida, chuqur o'rganish uchun juda ko'p mashhur ochiq kodli kutubxonalar mavjud edi va aslini olganda "TensorFlow"ning aksariyat xususiyatlari u yoki bu kutubxonada allaqachon mavjud edi. Shunga qaramay, "TensorFlow"ning toza dizayni, kengaytirilishi, moslashuvchanligi, hujjatlashtirilganligi uni tezda ro'yxatning yuqori qismiga ko'tardi. Sodda qilib aytganda, "TensorFlow" moslashuvchan, kengaytiriladigan va ishlab chiqarishga tayyor bo'lishi uchun ishlab chiqilgan va mavjud ramkalar ushbu uchtasidan faqat ikkitasiga ta'sir qilgan. "TensorFlow"ning afzalliklari:
• U nafaqat Windows, Linux va macOS'da, balki mobil qurilmalarda, jumladan iOS va Android'da ham ishlaydi.
• U Scikit-Learn bilan mos keluvchi TF.Learn 2 (tensorflow.contrib.learn) deb nomlangan juda oddiy Python API-ni taqdim etadi. Ko'rib turganingizdek, uni bir necha qator kodlarda turli xil neyron tarmoqlarni o'rgatish uchun ishlatishingiz mumkin. Bu avval "Scikit Flow" (yoki skflow) deb nomlangan mustaqil loyiha edi.
• Shuningdek, u neyron tarmoqlarni qurish, o'qitish va baholashni soddalashtirish uchun TF-slim ( tensorflow.contrib.slim ) deb nomlangan yana bir oddiy APIni taqdim etadi.
• Keras (endi tensorflow.contrib.keras da mavjud) yoki Pretty Tensor kabi bir qancha boshqa yuqori darajadagi APIlar mustaqil ravishda TensorFlow ustiga qurilgan. Uning asosiy Python APIsi yaratish uchun ancha moslashuvchanlikni (yuqori murakkablik evaziga) taklif etadi. har qanday hisob-kitoblar, shu jumladan siz o'ylashingiz mumkin bo'lgan har qanday neyron tarmoq arxitekturasi.
• U ko'plab ML operatsiyalarini, ayniqsa neyron tarmoqlarni qurish uchun zarur bo'lgan yuqori samarali C++ dasturlarini o'z ichiga oladi. O'zingizning yuqori samarali operatsiyalaringizni aniqlash uchun C++ API ham mavjud.
• U xarajat funksiyasini minimallashtiradigan parametrlarni qidirish uchun bir nechta ilg'or optimallashtirish tugunlarini taqdim etadi. Ulardan foydalanish juda oson, chunki "TensorFlow" avtomatik ravishda siz belgilagan funksiyalarning gradientlarini hisoblash bilan shug'ullanadi. Bu avtomatik farqlash (yoki autodiff) deb ataladi.
• Shuningdek, u "TensorBoard" deb nomlangan ajoyib vizualizatsiya vositasi bilan birga keladi, bu sizga hisoblash grafigini ko'rib chiqish, o'rganish egri chizig'ini ko'rish va boshqalarni ta'minlaydi.
• Google shuningdek, "TensorFlow" grafiklarini ishga tushirish uchun bulut xizmatini ishga tushirdi.
Hozirda "TensorFlow"ning ishtiyoqli va foydali dasturchilar jamoasi va uni yaxshilashga hissa qo'shayotgan, o'sib borayotgan hamjamiyati mavjud. Bu "GitHub"dagi eng mashhur ochiq manbali loyihalardan biri bo'lib, uning ustiga tobora ko'proq ajoyib loyihalar qurilmoqda.
XULOSA
TensorFlow - bu chuqur o'rganish tarmoqlarini yaratishda ma'lumotlarni raqamli va grafik hisoblash uchun ishlatilishi mumkin bo'lgan ajoyib kutubxona va Google Search, Google Translate, Google Photos va boshqa ko'plab ilovalar uchun eng keng tarqalgan kutubxonadir. Mashinani o'rganishdan foydalangan holda odamlar juda ko'p va hayratlanarli narsalarni ishlab chiqdilar, ulardan ba'zilari sog'liqni saqlashga oid ilovalar, filmlar, musiqalar, ijtimoiy medialarni o'z ichiga oladi. Mashinani o'rganish va sun'iy intellekt sohasidagi ushbu yutuqlar bilan aqlga sig'maydigandek tuyuladi, TensorFlow bu maqsadlarga erishishga yordam beradigan vositadir.
REFERENCES
1. Каримов, У., Хакимова, Д., & Халилов, Л. (2018). ИНФОРМАЦИОННОЕ И КОММУНИКАЦИОННОЕ ТЕХНОЛОГИИ ВЛИЯНИЕ НА ОБРАЗОВАНИЕ В ТЕХНИЧЕСКОМ ОБСЛУЖИВАНИЕ. Мировая наука, (10), 193-197.
2. Каримов, У. У. (2017). РОЛЬ СРЕДСТВ МАССОВОЙ ИНФОРМАЦИИ В ПРОЦЕССЕ ГЛОБАЛИЗАЦИИ. In Перспективные информационные технологии (ПИТ 2017) (pp. 1189-1192).
3. Abdurakhmonova, M. M., ugli Mirzayev, M. A., Karimov, U. U., & Karimova, G. Y. (2021). Information Culture And Ethical Education In The Globalization Century. The American Journal of Social Science and Education Innovations, 3(03), 384-388.
4. Karimov, U., & Abdurakhmon, A. (2017). INNOVATIVE INFORMATION TECHNOLOGY IN EDUCATION. Форум молодых ученых, (5), 9-12.
5. Karimov, U., & Kasimov, I. (2018). THE IMPORTANCE OF MODERN INFORMATION TECHNOLOGIES IN DEVELOPMENT OF DISTANCE EDUCATION. In Перспективные информационные технологии (ПИТ 2018) (pp. 1186-1187).
6. Каримов, У. У. (2017). РОЛЬ СРЕДСТВ МАССОВОЙ ИНФОРМАЦИИ В ПРОЦЕССЕ ГЛОБАЛИЗАЦИИ. In Перспективные информационные технологии (ПИТ 2017) (pp. 1189-1192).
7. Latipdjanovich, D. M., Shavkatjonovich, A. S., & Gofurjonovich, P. G. IMPROVE THE STRENGTH OF HMAC BASED ONE TIME PASSWORDS USING SHA3 IN HMAC. НАУЧНО-ПРАКТИЧЕСКИЕ РЕШЕНИЯ И ПОДХОДЫ, 2016, 34.
8. Umaralievich, K. U. SPIRITUAL EDUCATION OF STUDENTS OF PEDAGOGICAL UNIVERSITIES ON THE BASIS OF CULTURAL AND HUMANISTIC APPROACH.
9. Рахимов, Д. Ш. (2021). САНОАТ ЩТИСОДИЁТИДА МАХДЛЛИЙЛАШТИРИЛАЁТГАН МАДСУЛОТЛАРНИ ДИВЕРСИКАЦИЯЛАШ ОМИЛИ СИФАТИДА. Scientific progress, 1(6), 505-511.
10. Raximov, D. S. (2021). DIVERSIFIKATSIYA HUDUDLAR SANOATNI MUVOZANATLI STRATEGIK RIVOJLANTIRISh YO'NALIShLARI. Oriental renaissance: Innovative, educational, natural and social sciences, 1(3), 199-207.
11. Pulatov, G., Ganiev, S., & Karimova, G. POSSIBILITIES OF INFORMATION TECHNOLOGIES IN ENSURING THE QUALITY OF EDUCATION.
12. Каримов, У., & Каримова, Г. (2018). ГЕОПОЛИТИЧЕСКАЯ КОНКУРЕНЦИЯ В ИНФОРМАЦИОННОМ ПРОСТРАНСТВЕ. In Перспективные информационные технологии (ПИТ 2018) (pp. 1368-1372).
13. Abdullaev, S. S., & Pulatov, G. G. (2016). SECURITY USE CASE AND SECURITY MISUSE CASE. In Современные научно-практические решения и подходы (pp. 41-44).
14. Djalilov, M. L., Abdullaev, S. S., & Pulatov, G. G. (2016). FLUCTUATIONS IN TWO-LAYER PLATE UNDER THE INFLUENCE OF SHOCK LOADS. In Современные научно-практические решения и подходы (pp. 30-33).
15. Karimov, U. U., & Karimova, G. Y. (2021). THE IMPORTANCE OF INNOVATIVE TECHNOLOGIES IN ACHIEVING EDUCATIONAL EFFECTIVENESS. Журнал естественных наук, 7(1).
16. Пулатов, Г. Г., & Мадалиева, Г. А. (2018). ИССЛЕДОВАНИЕ СВОЙСТВ КАУСТИК ПРИ ПОМОЩИ MAPLETS. In ИННОВАЦИОННОЕ РАЗВИТИЕ НА УКИ И ОБРАЗОВАНИЯ (pp. 30-32).
17. Пулатов, Г. Г., & Хакимова, К. А. (2018). ТИПОВЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ОБРАЗОВАНИЯ. In ИННОВАЦИОННОЕ РАЗВИТИЕ НА УКИ И ОБРАЗОВАНИЯ (pp. 33-35).
18. Каримов, У., & Каримова, Г. (2021). АХБОРОТ ОКДМИ ВА АХБОРОТ МАДАНИЯТИНИНГ ШАКЛЛАНИШ ТЕНДЕНЦИЯЛАРИ. Scientific progress, 2(3), 743-750.
19. Pulatov G. G. SIMSIZ TARMOQNI UZAYTIRISH MUAMMOLARI VA YECHIMLARI.
20. Latipdjanovich, D. M., Shavkatjonovich, A. S., & Gofurjonovich, P. G. IMPROVE THE STRENGTH OF HMAC BASED ONE TIME PASSWORDS USING SHA3 IN HMAC. НАУЧНО-ПРАКТИЧЕСКИЕ РЕШЕНИЯ И ПОДХОДЫ, 2016, 34.
21. Karimov A., Muxammadjonov X. INFORMATION TECHNOLOGIES: INFORMATION EDUCATION AND INFORMATICS //Экономика и социум. -2020. - №. 8. - С. 40-43.
22. Каримов, У. К. Г. К. ИЛМ-ФАН ВА ТАЪЛИМ СОХДСИДАГИ АХБОРОТЛАШУВ.
23. Khusanova, M. K. (2021). ANALYSIS OF DISCRETE CONVOLUTION IN THE MATLAB PROGRAM. Scientific progress, 2(4), 1023-1028.
24. Suyumov, J. Y. (2021). KOMPYUTER IMITATSION MODELLARI ASOSIDA FAOL OQITISH TEXNOLOGIYASINING NAZARIY ASOSLARI. Scientific progress, 2(3), 459-466.
