গুগল আই/ও একটি মোড়ক! TensorFlow সেশনগুলি দেখুন সেশনগুলি দেখুন

ডকুমেন্টেশন লিখুন

tfhub.dev-placeholder39 এ অবদান রাখার জন্য, মার্কডাউন ফর্ম্যাটে ডকুমেন্টেশন প্রদান করতে হবে। tfhub.devএ মডেল অবদান রাখার প্রক্রিয়ার সম্পূর্ণ ওভারভিউয়ের জন্য একটি মডেল নির্দেশিকা দেখুন।

মার্কডাউন ডকুমেন্টেশনের প্রকার

tfhub.devplaceholder45-এ 3 ধরনের মার্কডাউন ডকুমেন্টেশন ব্যবহার করা হয়েছে :

বিষয়বস্তু সংস্থা

TensorFlow Hub GitHub সংগ্রহস্থলে অবদান রাখার সময় নিম্নলিখিত বিষয়বস্তু সংস্থার প্রয়োজন হয়:

  • প্রতিটি প্রকাশক ডিরেক্টরি assets/docs ডিরেক্টরিতে থাকে
  • প্রতিটি প্রকাশক ডিরেক্টরিতে ঐচ্ছিক models এবং collections ডিরেক্টরি রয়েছে
  • প্রতিটি মডেলের assets/docs/<publisher_name>/models অধীনে নিজস্ব ডিরেক্টরি থাকা উচিত
  • assets/docs/<publisher_name>/collections এর অধীনে প্রতিটি সংগ্রহের নিজস্ব ডিরেক্টরি থাকা উচিত

প্রকাশকের মার্কডাউনগুলি সংস্করণবিহীন, যখন মডেলগুলির বিভিন্ন সংস্করণ থাকতে পারে৷ প্রতিটি মডেল সংস্করণের জন্য একটি পৃথক মার্কডাউন ফাইলের প্রয়োজন যা এটি বর্ণনা করেছে (যেমন 1.md, 2) অনুসারে নামকরণ করা হয়েছে। সংগ্রহগুলি সংস্করণ করা হয়েছে কিন্তু শুধুমাত্র একটি একক সংস্করণ (1) সমর্থিত।

একটি প্রদত্ত মডেলের জন্য সমস্ত মডেল সংস্করণ মডেল ডিরেক্টরিতে অবস্থিত হওয়া উচিত।

মার্কডাউন বিষয়বস্তু কীভাবে সংগঠিত হয় তার একটি উদাহরণ নিচে দেওয়া হল:

assets/docs
├── <publisher_name_a>
│   ├── <publisher_name_a>.md  -> Documentation of the publisher.
│   └── models
│       └── <model_name>       -> Model name with slashes encoded as sub-path.
│           ├── 1.md           -> Documentation of the model version 1.
│           └── 2.md           -> Documentation of the model version 2.
├── <publisher_name_b>
│   ├── <publisher_name_b>.md  -> Documentation of the publisher.
│   ├── models
│   │   └── ...
│   └── collections
│       └── <collection_name>
│           └── 1.md           -> Documentation for the collection.
├── <publisher_name_c>
│   └── ...
└── ...

প্রকাশক মার্কডাউন বিন্যাস

প্রকাশকের ডকুমেন্টেশন একই ধরণের মার্কডাউন ফাইলে মডেল হিসাবে ঘোষণা করা হয়, সামান্য সিনট্যাক্টিক পার্থক্য সহ।

TensorFlow হাব রেপোতে প্রকাশক ফাইলের সঠিক অবস্থান হল: tfhub.dev/assets/docs /<publisher_id>/<publisher_id.md>

"vtab" প্রকাশকের জন্য সর্বনিম্ন প্রকাশক ডকুমেন্টেশন উদাহরণ দেখুন:

# Publisher vtab
Visual Task Adaptation Benchmark

[![Icon URL]](https://storage.googleapis.com/vtab/vtab_logo_120.png)

## VTAB
The Visual Task Adaptation Benchmark (VTAB) is a diverse, realistic and
challenging benchmark to evaluate image representations.

উপরের উদাহরণটি প্রকাশক আইডি, প্রকাশকের নাম, ব্যবহার করার জন্য আইকনের পথ এবং একটি দীর্ঘ ফ্রি-ফর্ম মার্কডাউন ডকুমেন্টেশন উল্লেখ করে। মনে রাখবেন যে প্রকাশক আইডিতে শুধুমাত্র ছোট হাতের অক্ষর, সংখ্যা এবং হাইফেন থাকা উচিত।

প্রকাশকের নাম নির্দেশিকা

আপনার প্রকাশকের নাম হতে পারে আপনার GitHub ব্যবহারকারীর নাম বা আপনার পরিচালনা করা GitHub সংস্থার নাম।

মডেল পৃষ্ঠা মার্কডাউন বিন্যাস

মডেল ডকুমেন্টেশন কিছু অ্যাড-অন সিনট্যাক্স সহ একটি মার্কডাউন ফাইল। একটি ন্যূনতম উদাহরণ বা আরও বাস্তবসম্মত উদাহরণ মার্কডাউন ফাইলের জন্য নীচের উদাহরণটি দেখুন।

উদাহরণ ডকুমেন্টেশন

একটি উচ্চ-মানের মডেল ডকুমেন্টেশনে কোড স্নিপেট, মডেলটি কীভাবে প্রশিক্ষিত ছিল এবং ব্যবহারের উদ্দেশ্যে তথ্য থাকে। আপনাকে নীচে ব্যাখ্যা করা মডেল-নির্দিষ্ট মেটাডেটা বৈশিষ্ট্যগুলিও ব্যবহার করা উচিত যাতে ব্যবহারকারীরা আপনার মডেলগুলি tfhub.dev এ দ্রুত খুঁজে পেতে পারেন৷

# Module google/text-embedding-model/1

Simple one sentence description.

<!-- asset-path: https://path/to/text-embedding-model/model.tar.gz -->
<!-- task: text-embedding -->
<!-- fine-tunable: true -->
<!-- format: saved_model_2 -->

## Overview

Here we give more information about the model including how it was trained,
expected use cases, and code snippets demonstrating how to use the model:

```
Code snippet demonstrating use (e.g. for a TF model using the tensorflow_hub library)

import tensorflow_hub as hub

model = hub.KerasLayer(<model name>)
inputs = ...
output = model(inputs)
```

মডেল স্থাপনা এবং গ্রুপিং স্থাপনা একসাথে

tfhub.dev TF.js, TFLite এবং একটি TensorFlow সংরক্ষিত মডেলের কোরাল স্থাপনা প্রকাশ করার অনুমতি দেয়।

মার্কডাউন ফাইলের প্রথম লাইনে বিন্যাসের ধরন নির্দিষ্ট করা উচিত:

  • # Module publisher/model/version
  • TF.js স্থাপনার জন্য # Tfjs publisher/model/version
  • # Lite publisher/model/version
  • # Coral publisher/model/version

tfhub.devএ একই মডেল পৃষ্ঠায় একই ধারণাগত মডেলের এই বিভিন্ন ফর্ম্যাটের জন্য এটি একটি ভাল ধারণা। একটি প্রদত্ত TF.js, TFLite বা কোরাল স্থাপনাকে একটি TensorFlow SavedModel মডেলের সাথে সংযুক্ত করতে, প্যারেন্ট-মডেল ট্যাগটি নির্দিষ্ট করুন:

<!-- parent-model: publisher/model/version -->

কখনও কখনও আপনি একটি TensorFlow SavedModel ছাড়া এক বা একাধিক স্থাপনা প্রকাশ করতে চাইতে পারেন। সেই ক্ষেত্রে, আপনাকে একটি প্লেসহোল্ডার মডেল তৈরি করতে হবে এবং parent-model ট্যাগে এর হ্যান্ডেলটি নির্দিষ্ট করতে হবে। স্থানধারক মার্কডাউনটি টেনসরফ্লো মডেল মার্কডাউনের অনুরূপ, প্রথম লাইনটি ছাড়া: # Placeholder publisher/model/version এবং এটির জন্য asset-path সম্পত্তির প্রয়োজন নেই।

মডেল মার্কডাউন নির্দিষ্ট মেটাডেটা বৈশিষ্ট্য

মার্কডাউন ফাইলে মেটাডেটা বৈশিষ্ট্য থাকতে পারে। এগুলি ব্যবহারকারীদের আপনার মডেল খুঁজে পেতে সাহায্য করার জন্য ফিল্টার এবং ট্যাগ প্রদান করতে ব্যবহৃত হয়। মার্কডাউন ফাইলের সংক্ষিপ্ত বিবরণের পরে মেটাডেটা বৈশিষ্ট্যগুলিকে মার্কডাউন মন্তব্য হিসাবে অন্তর্ভুক্ত করা হয়েছে, যেমন

# Module google/universal-sentence-encoder/1
Encoder of greater-than-word length text trained on a variety of data.

<!-- task: text-embedding -->
...

নিম্নলিখিত মেটাডেটা বৈশিষ্ট্য সমর্থিত:

  • format : TensorFlow মডেলের জন্য: মডেলের TensorFlow হাব বিন্যাস। বৈধ মানগুলি হল hub যখন মডেলটি লিগ্যাসি TF1 হাব ফর্ম্যাটের মাধ্যমে রপ্তানি করা হয়েছিল বা saved_model_2 যখন মডেলটি একটি TF2 সংরক্ষিত মডেলের মাধ্যমে রপ্তানি করা হয়েছিল৷
  • asset-path : আপলোড করার জন্য প্রকৃত মডেল সম্পদের বিশ্ব-পঠনযোগ্য দূরবর্তী পথ, যেমন Google ক্লাউড স্টোরেজ বাকেট। URLটিকে robots.txt ফাইল থেকে আনার অনুমতি দেওয়া উচিত (এই কারণে, "https://github.com/. /releases/download/. " সমর্থিত নয় কারণ এটি https://github দ্বারা নিষিদ্ধ .com/robots.txt )। প্রত্যাশিত ফাইলের ধরন এবং বিষয়বস্তু সম্পর্কে আরও তথ্যের জন্য নীচে দেখুন।
  • parent-model : TF.js/TFLite/Coral মডেলের জন্য: সহগামী সেভডমডেল/প্লেসহোল্ডারের হ্যান্ডেল
  • fine-tunable : বুলিয়ান, মডেলটি ব্যবহারকারী দ্বারা সূক্ষ্ম-টিউন করা যায় কিনা।
  • task : সমস্যা ডোমেন, যেমন "টেক্সট-এম্বেডিং"। সমস্ত সমর্থিত মান task.yaml এ সংজ্ঞায়িত করা হয়েছে।
  • dataset : মডেলটিকে যে ডেটাসেটটিতে প্রশিক্ষণ দেওয়া হয়েছিল, যেমন "উইকিপিডিয়া"। সমস্ত সমর্থিত মান dataset.yaml- এ সংজ্ঞায়িত করা হয়েছে।
  • network-architecture : মডেলটি যে নেটওয়ার্ক আর্কিটেকচারের উপর ভিত্তি করে, যেমন "mobilenet-v3"। সমস্ত সমর্থিত মান network_architecture.yaml- এ সংজ্ঞায়িত করা হয়েছে।
  • language : একটি টেক্সট মডেল যে ভাষার উপর প্রশিক্ষিত হয়েছিল তার ভাষা কোড, যেমন "en"। সমস্ত সমর্থিত মান language.yaml- এ সংজ্ঞায়িত করা হয়েছে।
  • license : মডেলের জন্য প্রযোজ্য লাইসেন্স, যেমন "mit"। একটি প্রকাশিত মডেলের জন্য ডিফল্ট অনুমানকৃত লাইসেন্স হল Apache 2.0 লাইসেন্স । সমস্ত সমর্থিত মান licence.yaml- এ সংজ্ঞায়িত করা হয়েছে। উল্লেখ্য, custom লাইসেন্সের ক্ষেত্রে বিশেষ বিবেচনার প্রয়োজন হবে।
  • colab : একটি নোটবুকের HTTPS URL যা প্রদর্শন করে যে মডেলটি কীভাবে ব্যবহার করা যায় বা প্রশিক্ষণ দেওয়া যায় ( উদাহরণস্বরূপ bigbigan-resnet50 )। colab.research.google.com নিয়ে যেতে হবে। মনে রাখবেন যে গিটহাবে হোস্ট করা জুপিটার নোটবুকগুলি <a href="https://colab.research.google.com/github/ORGANIZATION/PROJECT/">https://colab.research.google.com/github/ORGANIZATION/PROJECT/</a> blob/master/.../my_notebook.ipynb এর মাধ্যমে অ্যাক্সেস করা যেতে পারে <a href="https://colab.research.google.com/github/ORGANIZATION/PROJECT/">https://colab.research.google.com/github/ORGANIZATION/PROJECT/</a> blob/master/.../my_notebook.ipynb
  • demo : একটি ওয়েবসাইটের HTTPS URL যেটি দেখায় কিভাবে TF.js মডেল ব্যবহার করা যেতে পারে ( উদাহরণস্বরূপ posenet )।
  • interactive-visualizer : মডেল পৃষ্ঠায় এমবেড করা উচিত এমন ভিজ্যুয়ালাইজারের নাম, যেমন "ভিশন"। একটি ভিজ্যুয়ালাইজার প্রদর্শন ব্যবহারকারীদের মডেলের ভবিষ্যদ্বাণীগুলি ইন্টারেক্টিভভাবে অন্বেষণ করতে দেয়৷ সমস্ত সমর্থিত মান ইন্টারেক্টিভ_ visualizer.yaml-এ সংজ্ঞায়িত করা হয়েছে।

মার্কডাউন ডকুমেন্টেশন প্রকারগুলি বিভিন্ন প্রয়োজনীয় এবং ঐচ্ছিক মেটাডেটা বৈশিষ্ট্য সমর্থন করে:

টাইপ প্রয়োজন ঐচ্ছিক
প্রকাশক
সংগ্রহ টাস্ক ডেটাসেট, ভাষা, নেটওয়ার্ক-আর্কিটেকচার
স্থানধারক টাস্ক ডেটাসেট, ফাইন-টিউনেবল, ইন্টারেক্টিভ-ভিজ্যুয়ালাইজার, ভাষা, লাইসেন্স, নেটওয়ার্ক-আর্কিটেকচার
সংরক্ষিত মডেল সম্পদ-পথ, টাস্ক, ফাইন-টিউনযোগ্য, বিন্যাস কোল্যাব, ডেটাসেট, ইন্টারেক্টিভ-ভিজ্যুয়ালাইজার, ভাষা, লাইসেন্স, নেটওয়ার্ক-আর্কিটেকচার
Tfjs সম্পদ-পথ, পিতা-মাতা-মডেল colab, ডেমো, ইন্টারেক্টিভ-ভিজ্যুয়ালাইজার
লাইট সম্পদ-পথ, পিতা-মাতা-মডেল colab, ইন্টারেক্টিভ-ভিজ্যুয়ালাইজার
প্রবাল সম্পদ-পথ, পিতা-মাতা-মডেল colab, ইন্টারেক্টিভ-ভিজ্যুয়ালাইজার

মডেল-নির্দিষ্ট সম্পদ সামগ্রী

মডেলের প্রকারের উপর নির্ভর করে, নিম্নলিখিত ফাইলের প্রকার এবং বিষয়বস্তু প্রত্যাশিত:

  • সংরক্ষিত মডেল: একটি tar.gz সংরক্ষণাগার যাতে এই ধরনের বিষয়বস্তু থাকে:
saved_model.tar.gz
├── assets/            # Optional.
├── assets.extra/      # Optional.
├── variables/
│     ├── variables.data-?????-of-?????
│     └──  variables.index
├── saved_model.pb
├── keras_metadata.pb  # Optional, only required for Keras models.
└── tfhub_module.pb    # Optional, only required for TF1 models.
  • TF.js: একটি tar.gz সংরক্ষণাগার যাতে এই ধরনের বিষয়বস্তু থাকে:
tf_js_model.tar.gz
├── group*
├── *.json
├── *.txt
└── *.pb
  • TFLite: একটি .tflite ফাইল
  • প্রবাল: একটি .tflite ফাইল

tar.gz সংরক্ষণাগারগুলির জন্য: ধরে নিই যে আপনার মডেল ফাইলগুলি my_model ডিরেক্টরিতে রয়েছে (যেমন my_model/saved_model.pb জন্য my_model my_model/model.json ), আপনি tar টুল ব্যবহার করে একটি বৈধ tar.gz সংরক্ষণাগার তৈরি করতে পারেন cd my_model && tar -czvf ../model.tar.gz * মাধ্যমে।

সাধারণত, সমস্ত ফাইল এবং ডিরেক্টরি (সে সংকুচিত বা আনকম্প্রেস করা হোক না কেন) অবশ্যই একটি শব্দ অক্ষর দিয়ে শুরু করতে হবে যাতে ডটগুলি ফাইলের নাম/ডিরেক্টরিগুলির কোনও বৈধ উপসর্গ নয়।

সংগ্রহ পৃষ্ঠা মার্কডাউন বিন্যাস

সংগ্রহগুলি হল tfhub.dev -placeholder60 এর একটি বৈশিষ্ট্য যা প্রকাশকদের ব্যবহারকারীর অনুসন্ধানের অভিজ্ঞতা উন্নত করতে সংশ্লিষ্ট মডেলগুলিকে একত্রিত করতে সক্ষম করে৷

tfhub.dev-placeholder63-এ সমস্ত সংগ্রহের তালিকা দেখুন।

সংগ্রহস্থলের ফাইলের জন্য সঠিক অবস্থান github.com/tensorflow/ l10n-placeholder64 hub.tensorflow.google.cn tfhub.dev হল assets/docs / publisher_name> /collections/ / <collection_name> .এমডি

এখানে একটি ন্যূনতম উদাহরণ রয়েছে যা assets/docs/ vtab /collections/ benchmark / 1 .md-এ যাবে। উল্লেখ্য যে প্রথম লাইনে সংগ্রহের নাম ফাইলপথে অন্তর্ভুক্ত collections/ অংশ অন্তর্ভুক্ত করে না।

# Collection vtab/benchmark/1
Collection of visual representations that have been evaluated on the VTAB
benchmark.

<!-- task: image-feature-vector -->

## Overview
This is the list of visual representations in TensorFlow Hub that have been
evaluated on VTAB. Results can be seen in
[google-research.github.io/task_adaptation/](https://google-research.github.io/task_adaptation/)

#### Models
|                   |
|-------------------|
| [vtab/sup-100/1](https://tfhub.dev/vtab/sup-100/1)   |
| [vtab/rotation/1](https://tfhub.dev/vtab/rotation/1) |
|------------------------------------------------------|

উদাহরণটি সংগ্রহের নাম, একটি সংক্ষিপ্ত একটি বাক্যের বিবরণ, সমস্যা ডোমেন মেটাডেটা এবং ফ্রি-ফর্ম মার্কডাউন ডকুমেন্টেশন উল্লেখ করে।