بیهێنە پێش چاوت، دەتەوێت کۆمپیوتەرێک فێر بکەیت کە وێنەی ژمارە دەستنووسەکان بناسێتەوە، بۆ نموونە ئایا وێنەکە ژمارە سفرە یاخود یەک.
بۆ ئەنجامدانی ئەمە، تۆڕێکی دەماری بنیاد دەنێین کە وەکو سیستمێکی بڕیاردانی زیرەک کار دەکات. سەرەتا بە تۆڕەکە دەڵێین چۆن لە ڕێگەی پێدراوەکانەوە (لێرەدا وێنەکان) پێشبینی بکات، بێگومان ئەمەش ڕێک وەکو ڕێبەرییەک یان ڕەچەتەیەکی چێشتلێنان وایە، کە چۆن لە کەرەستە سەرەتاییەکانەوە (لە پیکسڵی وێنەکان)، بگەیت بە ژەمە ئامادەکراوەکە (پێشبینییەکە یەک یان سفر).
دواتر پێوانەی ئەوە دەکەین کە تۆڕەکە تا چەند لە پێشبینییەکانیدا سەرکەوتوو بووە، ئەمەش لە ڕێگەی ئەژمارکردنی جۆرە نمرەیەکی هەڵەوە ئەنجام ئەدەین، کە پێی دەوترێت (پابەندیی دۆڕان Loss function). ئەگەر تۆڕەکە هەڵە بکات، نمرەیەکی بەرزی سەرپێچی وەردەگرێت، بەڵام ئەگەر ڕاست بێت، نمرەیەکی نزم وەردەگرێت. لە کۆتاییدا، هەنگاو بە هەنگاو تۆڕەکە باشتر دەکەین لە ڕێگەی کەمکردنەوەی ئەو نمرەی هەڵەیە. ئەمەش لەسەر پڕۆسەیەک ئەنجام ئەدەین کە پێی دەوترێت (دابەزینی لێژی Gradient Descent)، کە دەکرێت وەکو دابەزین لە گردێکەوە وێنا بکرێت بۆ گەیشتن بە دۆڵەکە بە ساغی، ڕەوتەکە شوێن پێیەکان دیاری دەکات کە دڵنیایە لێی و وردە وردە دەتگەیەنێتە شوێنی مەبەست.
بۆ ئەم مەبەستە من کتێبخانەی TensorFlow بەکار دێنم، کە یارمەتیمان دەدات کە هەموو ئەم هەنگاوانە بە شێوەیەکی خۆکار و کارا جێبەجێ بکەین.
بنەما بیرکارییەکانی ڕاهێنانی تۆڕێکی دەماری
ڕاهێنانی تۆڕێکی دەماری دەکرێت بۆ چوار هەنگاوی سەرەکیی بیرکاری دابەش بکرێت: پێشبینیکردن، هەڵسەنگاندنی هەڵەکان، ئەژمارکردنی تێچووی گشتی، و باشترکردنی بەردەوام.
١. ئەژمارکردنی دەرئەنجام (Forward Propagation)
تۆڕی دەماری دراوەکانی چوونەژوورەوە (x) وەردەگرێت و دەرئەنجامێک (f(x)) ئەژمار دەکات، ئەمەش بە بەکارهێنانی دوو ڕاگەیێن (پارامیتەر): کێشەکان (W) و لادان یان جێگیرەکە (b). بۆ نموونەیەکی سادە وەک (Logistic Regression)، هاوکێشە بیرکارییەکە بەم شێوەیەیە:
لێرەدا σ بریتییە لە (پابەندیی سیگمۆید Sigmoid function)، کە دەرئەنجامەکەی هەمیشە نرخەکەی لە نێوان سفر و ١ دەبێت، ئەمەش گونجاوترینە بۆ (پۆلێنکردنی دووانی Binary Classification). پابەندییەکە بەم شێوەیە پێناسە دەکرێت:
ئەمەش واتە: سەرەتا سیگناڵی چوونەژوورەوی کێشراو (z = W \cdot x + b) ئەژمار دەکرێت و پاشان پابەندیی سیگمۆیدی بەسەردا جێبەجێ دەکرێت.
٢. پابەندیی دۆڕان (Loss Function)
بۆ پێوانەکردنی ئەوەی کە مۆدێلەکە تا چەند بۆ یەک نموونەی ڕاهێنان بە باشی کار دەکات، پابەندیی دۆڕان بەکاردەهێنین.
بۆ پۆلێنکردنی دووانی، (ئینترۆپی لێکبڕاوی دووانی Binary Cross-Entropy) بەکاردێت بەم شێوەیە:
Loss = – ( y log(f(x)) + (1 – y) log(1 – f(x)) )
لێرەدا y نیشانە یان نیشانەی ڕاستەقینەیە (٠ یان ١)، و f(x) ئەو ئەگەرەیە کە مۆدێلەکە پێشبینی کردووە.
ئەم پابەندییە لە ڕووی بیرکارییەوە سزایەکی زۆر توندی ئەو پێشبینییانە دەدات کە لە ڕاستییەوە دوورن.
٣. پابەندیی تێچوو (Cost Function)
لە کاتێکدا پابەندیی دۆڕان تەنها هەڵەی یەک وێنە یان یەک داتای تاکی ئەژمار دەکات، پابەندیی تێچوونی J(W, b) بریتییە لە تێکڕای (دۆڕانەکان Losses) بۆ تەواوی کۆی نموونەکانی ڕاهێنان (m):
٤. نوێکردنەوەی پارامیتەرەکان (Gradient Descent)
بۆ باشترکردنی مۆدێلەکە، دەبێت کێشەکان (W) و لادانەکە (b) بە شێوەیەک دەستکاری بکرێن کە تێچووی گشتی کەم ببێتەوە. ئەمەش لە ڕێگەی ئەژمارکردنی داتاشراوەکان (Gradient) و گۆڕینی نرخەکان بەرەو نزمترین خاڵی لێژییەکە ئەنجام دەدرێت:
پارامیتەری σ (ئالفا) گوزارشت لە (ڕێژەی فێربوون Learning rate) دەکات. ئەم نرخە دیاری دەکات، کە هەنگاوەکانی مۆدێلەکە لە کاتی باشترکردن و گەیشتن بە باشترین دۆخدا چەندە گەورە بن.
جێبەجێکردن لە TensorFlow
لە ڕووی کردارییەوە، کتێبخانەی TensorFlow هەموو ئەو ئەژمارکارییە ئاڵۆزانەی وەک داتاشراوەکان و نوێکردنەوەی پارامیتەرەکانمان لەسەر لادەبات. تەواوی ئەم پرۆسە بیرکارییە لە چەند دێڕە کۆدێکی کورتدا بە پایسۆن جێبەجێ دەبێت:
import tensorflow as tf
# هەنگاوی ١: دیاریکردنی پێکهاتەی مۆدێلەکە (Forward Propagation & Activation Function)
model = tf.keras.Sequential([
tf.keras.layers.Dense(1, activation='sigmoid', input_shape=(input_dim,))
])
# هەنگاوی ٢ و ٣: دیاریکردنی گونجێنەر (Gradient Descent) و فانکشنی دۆڕان
model.compile(optimizer='sgd', loss='binary_crossentropy')
# هەنگاوی ٤: ڕاهێنانی مۆدێلەکە (تەواوی سووڕەکە بە شێوەیەکی خۆکار دووبارە دەبێتەوە)
model.fit(x_train, y_train, epochs=100)
بۆ زانیاریی زۆرتر بڕوانە:
