15
YANGI O'ZBEKISTON ILMIY
TADQIQOTLAR JURNALI
www.in-academy.uz
1-JILD, 13-SON (YOʻITJ)
TENSORFLOW KUTUBXONASIDAN FOYDALANGAN
HOLDA NEYRON TARMOQLARNI YARATISH VA O‘QITISH.
Umarov Bekzod Azizovich
Fargʻona davlat unversiteti amaliy matematika va informatika
kafedrasi oʻqituvchisi, ubaumarov@mail.ru
Meliqo‘ziyeva Madinaxon Rafiqjon qizi
Fargʻona davlat universiteti talabasi
madinaxonmeliqoziyeva02@gmail.com
https://doi.org/10.5281/zenodo.14198260
ARTICLE INFO
ABSTRACT
Qabul qilindi: 9-noyabr 2024 yil
Ma’qullandi: 19-noyabr 2024 yil
Nashr qilindi: 21-noyabr 2024 yil
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.
KEY WORDS
TensorFlow,
Neyron
tarmoqlari, Chuqur o‘rganish,
GPU, IPI.
Kirish
TensorFlow
- bu mashina o‘qitish va chuqur o‘qitish tizimlari uchun ochiq manbali
platformadir. Google tomonidan ishlab chiqilgan bu tizim keng qamrovli ma'lumotlar bilan
ishlash, ma’lumotlarni qayta ishlash va chuqur neyron tarmoqlarni yaratish uchun juda kuchli
vositadir. TensorFlow dastlab 2015 yilda chiqarilgan va hozirda global ilmiy jamoatchilik
tomonidan keng foydalaniladi. TensorFlow tizimi neyron tarmoqlarini yaratish va o‘qitish
uchun mo‘ljallangan, ularning ma’lumotlarini qayta ishlash, algoritmlarni avtomatlashtirish va
ko‘rsatkichlarni optimallashtirish imkoniyatiga ega.
TensorFlow tizimi
tensor
deb nomlangan noyob ma’lumotlar shakli bilan ishlaydi. Tensorlar -
bu ko‘p o‘lchamli massivlar, bu yerda ma’lumotlar strukturasini saqlash va ishlov berish
mumkin. TensorFlow orqali yaratishga va o‘qitishga imkon beruvchi asosiy tuzilmalar va
jarayonlar quyidagilar:
16
YANGI O'ZBEKISTON ILMIY
TADQIQOTLAR JURNALI
www.in-academy.uz
1-JILD, 13-SON (YOʻITJ)
1.
Tensorlar
- TensorFlowdagi asosiy ma’lumotlar shakli. Ular 0, 1, 2 yoki undan ko‘p
o‘lchamli massivlar bo‘lib, ma’lumotlarni saqlash va ishlov berish
imkonini beradi. Masalan, tasvirlarni yoki matnlarni tahlil qilish
uchun TensorFlow'da tensorlar keng qo‘llaniladi.
2.
Kompilyatsiya
grafiklari
-
TensorFlow
tizimi
ma'lumotlarni qayta ishlash jarayonini optimallashtirish uchun kompyuter grafiklaridan
foydalanadi. Bu grafiklar ma’lumotlarni hisoblashni parallel ravishda amalga oshirishga
yordam beradi, bu esa dasturiy ta'minotni tez va samarali qilishi mumkin. Tizim yaratgan
kompyuterlari grafiklari yordamida har bir operatsiyani faqat kerak bo‘lgan ma’lumotlarni
ishlatadigan tarzda bajaradi.
3. Neyron tarmoqlarini O‘qitish
- TensorFlow yordamida chuqur neyron tarmoqlarini
yaratish va o‘qitish mumkin. TensorFlow orqali algoritmlarni yaratish, modelni o‘qitish va
taqdim etish mumkin. Tizim talab qilinadigan barcha ma'lumotlar va operatsiyalarni
avtomatlashtiradi, bu esa tasvirlar, matnlar yoki boshqa
ma’lumotlar turlari bilan ishlashni osonlashtiradi.
4.
Modullar va API-lar
- TensorFlow muhandislar, tadqiqotchilar va dasturchilarga
chuqur neyron tarmoqlarni yaratish va o‘qitish uchun juda ko‘p API va modullarni taklif qiladi.
Bu API-lar va kutubxonalar yordamida texnologiya va ilmiy maqsadlar uchun chuqur o‘qitish
modelini yaratish, o‘rganish va amalga oshirish mumkin.
TensorFlow'da Keras kabi yuqori darajadagi API-lar
mavjud bo‘lib, bu foydalanuvchilar uchun oson foydalanish
imkoniyatini yaratadi.
5. Kuchli Optimallashtirish
- TensorFlow ma’lumotlar va
algoritmlarni parallel ravishda qayta ishlash imkonini
beradi, bu esa ko‘p ma’lumotlar bilan ishlashni talab
qiladigan chuqur neyron tarmoqlar uchun idealdir.
TensorFlow GPGPU (general-purpose computing on
graphics processing units) yordamida GPU va TPU (tensor
processing units) yordamida tez va samarali hisoblashlarni amalga oshiradi, bu esa ko‘p
ma’lumotlar bilan ishlashni sezilarli darajada tezlashtiradi.
TensorFlow foydalanish sohalari:
TensorFlowni keng turdagi masalalar va sohalarda, shu jumladan:
Tasvir tanishish va tasvirlar bilan ishlash
- tasvirlarni avtomatik tan olish, tasvirlarni tahlil
qilish, vijdonli ilovalar va foto-ranglarni qayta ishlash uchun
TensorFlow
ishlatiladi.
17
YANGI O'ZBEKISTON ILMIY
TADQIQOTLAR JURNALI
www.in-academy.uz
1-JILD, 13-SON (YOʻITJ)
Tabiat tilini qayta ishlash
- matnli ma'lumotlar bilan ishlash uchun chuqur o‘qitish
tarmoqlaridan foydalanish, matnli ma'lumotlarni qayta ishlash, tabiiy tilni tahlil qilish va matn
tahlilini amalga oshirishda TensorFlow samarali bo‘ladi.
Tabaqatlash va predikatsiya
- TensorFlow orqali modellarni yaratish va o‘qitish mumkin, bu
esa statistik predikatsiyalar qilish, ma’lumotlarni tahlil qilish va ma'lumotlarga asoslangan
qarorlarni chiqarish imkonini beradi.
Tavsiflash va tavsiya tizimlari
- TensorFlow yordamida mahsulotlar, filmlar, kontent yoki
boshqa elementlarni tavsiya etish tizimlarini yaratish mumkin.
TENSORFLOW KUTUBXONASINING ASOSIY XUSUSIYATLARI
№
Nomi
Ma’lumot
Misol
1
Flexibility
TensorFlow
turli
xil
tizimlarni
va
sun'iy
intellekt
muammolarini
hal
qilish
uchun
moslashtirilgan va yuqori
darajada moslashuvchan.
Rasm tahlili, tabrikli tahlil,
tabrikli
yozuvlarni
tushunish, tabrikli nutqni
tanib olish va boshqalar.
2
High
Performance
(Yuqori unumdorlik)
TensorFlow
GPU
(Graphical
Processing
Units) va TPU (Tensor
Processing
Units)
texnologiyalaridan
foydalanadi.
TensorFlow
GPU
(Graphical
Processing
Units) va TPU (Tensor
Processing Units)
3
Cross-Platform Support
(Platformalararo
qo‘llab-quvvatlash)
TensorFlow faqat bulutli
xizmatlar yoki serverda
ishlash uchun emas, balki
mobil qurilmalar va kichik
hisoblash
tizimlarida
foydalanish
uchun
mo‘ljallangan.
Android,
iOS,
mobil
qurilmalar.
4
Easiness
of
Use
(Qulaylik)
TensorFlow Keras API
kabi yuqori darajadagi
interfeyslarni
taqdim
etadi.
TensorFlow ishlab chiqish
muhitida yuqori darajada
moslashuvchanlik
va
samaradorlik ta'minlaydi.
5
Support for Distributed
Training
(Tarqalgan
o‘qitishni
qo‘llab-
quvvatlash)
TensorFlow ma’lumotlarni
tarqatilgan tarzda o‘qitish
uchun moslashtirilgan.
Katta ma'lumotlar bazalari
va murakkab modellarni
o‘qitishda juda muhimdir.
6
Model
Deployment
(Modelni joylashtirish)
TensorFlow
modellarini
real vaqt rejimida ishlatish
va
ishlab
chiqarish
muhitiga
joylashtirish
uchun oson qadamlarni
taqdim etadi.
TensorFlow Serving deb
nomlangan
maxsus
komponent
yordamida
modellarning
API-larini
tezkor va aniq ishlatish
mumkin.
18
YANGI O'ZBEKISTON ILMIY
TADQIQOTLAR JURNALI
www.in-academy.uz
1-JILD, 13-SON (YOʻITJ)
TensorFlow Kutubxonasining asosiy maqsadlari:
1.
Neyron tarmoqlarni o‘qitish va sinovdan o‘tkazish
: TensorFlow chuqur o‘qitish
algoritmlari yordamida murakkab neyron tarmoqlarni yaratish, o‘qitish va optimallashtirish
imkonini beradi. Bu tasvirni tahlil qilish, tabrikli tabriklarni tushunish va tahlil qilish kabi
vazifalarni hal qilishda keng qo‘llaniladi.
2.
Tabrikli ma'lumotlarni tahlil qilish
: TensorFlow NLP (Natural Language Processing)
algoritmlari yordamida tabrikli ma'lumotlar bilan ishlash va matn tahlil qilish uchun keng
qo‘llaniladi. Bu nutqni tanib olish, tabrikli yozuvlarni tushunish va tabriklarni tahlil qilish kabi
vazifalarni qamrab oladi.
3.
Katta ma'lumotlarni tahlil qilish va boshqarish
: TensorFlow katta miqdordagi
ma’lumotlar bazalarini tahlil qilish, modellashtirish va boshqarish uchun keng qo‘llaniladi. Bu
faqat sun'iy intellekt masalalarini hal qilishda emas, balki ma’lumotlarni qayta ishlash,
prognozlash va xotirani boshqarishda ham qo‘llaniladi.
Xulosa
TensorFlow neyron boshqaruvini va o‘qitishda keng ko‘lamli nazorat qilgan, kuchli va
o‘lchash vositalari. Ush turli kutubxonalardagi muammolarni hal qilishda murakkab va
ko‘proq dasturchilar hamda olimlar uchun qimmatli resursdir. TensorFlowdan foydalanish,
mashinani o‘rganish texnologiyalarini amaliyotga joriy qilishni soddalashtiradi. Neyron
tarmoqlarni muvaffaqiyatli o‘qitish uchun to‘g‘ri model arxitekturasi, sifatli ma’lumotlar va
optimizatsiya texnikalarini qo‘llash muhimdir. Bu jarayon orqali sun’iy intellekt sohasida
samarali va innovatsion yechimlarni ishlab chiqish imkoniyati oshadi.
FOYDALANILGAN ADABIYOTLAR:
1.
O‘Reilly, T. (2017).
Deep Learning with Python
. Manning Publications.
2.
Chollet, F. (2017).
Deep Learning with Keras
. Manning Publications.
3.
TensorFlow Documentation (2024).
TensorFlow: An Open-Source Machine Learning
Framework for Everyone
.
4.
Nielsen, M. (2018).
Neural Networks and Deep Learning
.
5.
Hastie, T., Tibshirani, R., Friedman, J. (2009).
The Elements of Statistical Learning: Data
Mining, Inference, and Prediction
. Springer.
6.
Geron, A. (2019).
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow
.
O‘Reilly Media.
7.
Mnih, V., Kavukcuoglu, K., Silver, D., et al. (2015). Human-level control through deep
reinforcement learning. Nature, 518(7540), 529-533.
8.
Kaelbling, L. P., Littman, M. L., & Moore, A. W. (1996). Reinforcement learning: A survey.
Journal of Artificial Intelligence Research, 4, 237-285.
9.
Lillicrap, T. P., Hunt, J. J., Pritzel, A., et al. (2015). Continuous control with deep
reinforcement learning. arXiv preprint arXiv:1509.02971.
