import tensorflow as tf
hello = tf.constant('Hello, Codacus!')
sess = tf.Session()
print(sess.run(hello))

• প্লেসহোল্ডার Placeholder
• ভেরিয়েবল Variables
• অপারেশন Operation
• সেশন Session

• প্লেসহোল্ডার Placeholder

inputs=tf.placeholder('float',[None,2],name='Input')
targets=tf.placeholder('float',name='Target')

[1,2,3]
[2,4,3]
[2,8,6]
[5,4,3]

• Variables

weight1=tf.Variable(tf.random_normal(shape=[2,3],stddev=0.02),name="Weight1")
biases1=tf.Variable(tf.random_normal(shape=[3],stddev=0.02),name="Biases1")

• Operations

অপারেশনগুলি সেই অংশ যেখানে ডেটা এক স্তর থেকে পরবর্তী স্তরে স্থানান্তরিত হয়। আমরা যে ওজন ভেরিয়েবলগুলি তৈরি করি তা ব্যবহার করে যা মূলত পরপর দুটি স্তরগুলির নিউরনের মধ্যে সংযোগের ওজন

আমাদের আগের পোস্টে আমরা পূর্ববর্তী সমস্ত স্তর নিউরনের ওজনযুক্ত আউটপুট যোগ করে প্রতিটি নিউরনের আউটপুট গণনা করেছি। আমরা প্রতিটি স্তরের নিউরনের জন্য এটি লুপের জন্য ব্যবহার করেছিলাম। তবে এটি করার আরও ভাল উপায় আছে। উদাহরণস্বরূপ আমাদের কাছে 2 ইনপুট নিউরন এবং 3 টি লুকানো নিউরন রয়েছে। সুতরাং এর মধ্যে সংযোগের মোট 2 × 3 সংখ্যা থাকবে। আমরা তাদের 2 ডি ম্যাট্রিক্সে উপস্থাপন করছি

hLayer=tf.matmul(inputs,weight1)
hLayer=hLayer+biases1

hLayer=tf.sigmoid(hLayer, name='hActivation')

weight2=tf.Variable(tf.random_normal(shape=[3,1],stddev=0.02),name="Weight2")
biases2=tf.Variable(tf.random_normal(shape=[1],stddev=0.02),name="Biases2")

output=tf.matmul(hLayer,weight2)
output=output+biases2
output=tf.sigmoid(output, name='outActivation')

• Optimization

#cost=tf.nn.softmax_cross_entropy_with_logits(logits=output,labels=targets)
# update  tf.nn.softmax_cross_entropy_with_logits is for classification problems only
# we will be using tf.squared_difference()
cost=tf.squared_difference(targets, output)
cost=tf.reduce_mean(cost)
optimizer=tf.train.AdamOptimizer().minimize(cost)

• Session

#generating inputs
import numpy as np

inp=[[0,0],[0,1],[1,0],[1,1]]
out=[[0],[1],[1],[0]]

inp=np.array(inp)
out=np.array(out)

epochs=4000 # number of time we want to repeat

with tf.Session() as sess:
    tf.global_variables_initializer().run()
    for i in range(epochs):
        error,_ =sess.run([cost,optimizer],feed_dict={inputs: inp,targets:out})
        print(i,error)

Lets Test the model

with tf.Session() as sess:
    tf.global_variables_initializer().run()
    for i in range(epochs):
        error,_ =sess.run([cost,optimizer],feed_dict={inputs: inp,targets:out})
        print(i,error)
    while True:
        a = input("type 1st input :")
        b = input("type 2nd input :")
        inp=[[a,b]]
        inp=np.array(inp)
        prediction=sess.run([output],feed_dict={inputs: inp})
        print(prediction)

Saving The Session for later

saver = tf.train.Saver()
with tf.Session() as sess:
    tf.global_variables_initializer().run()
    for i in range(epochs):
        error,_ =sess.run([cost,optimizer],feed_dict={inputs: inp,targets:out})
        print(i,error)
    saver.save(sess, "model.ckpt") # saving the session with file name "model.ckpt"

Restoring/Loading the session

saver = tf.train.Saver()
with tf.Session() as sess:
    saver.restore(sess, "model.ckpt")
    while True:
        a = input("type 1st input :")
        b = input("type 2nd input :")
        inp=[[a,b]]
        inp=np.array(inp)
        prediction=sess.run([output],feed_dict={inputs: inp})
        print(prediction)