در این مطلب، ویدئو Python and TensorFlow: طبقه بندی متن — قسمت 1 با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:14:51
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:01,560
این ویدئو توسط dev
2
00:00:01,560 –> 00:00:03,240
Mountain یک بوت کمپ برنامه نویسی برای شما آورده شده است که
3
00:00:03,240 –> 00:00:05,130
دوره های حضوری و آنلاین را در
4
00:00:05,130 –> 00:00:06,569
موضوعات مختلف از جمله
5
00:00:06,569 –> 00:00:08,220
توسعه وب توسعه iOS
6
00:00:08,220 –> 00:00:09,990
نرم افزار طراحی تجربه کاربر
7
00:00:09,990 –> 00:00:12,330
تضمین کیفیت و توسعه Salesforce ارائه می دهد برای
8
00:00:12,330 –> 00:00:13,860
اطلاعات بیشتر به لینک در
9
00:00:13,860 –> 00:00:15,540
توضیحات زیر مراجعه کنید. ماژول tensorflow
10
00:00:15,540 –> 00:00:17,850
که از طرف گوگل در اختیار ما قرار داده شده است
11
00:00:17,850 –> 00:00:20,550
و این ماژول به طور کلی
12
00:00:20,550 –> 00:00:23,550
ماژولی است که در موارد مختلف خوب
13
00:00:23,550 –> 00:00:25,680
14
00:00:25,680 –> 00:00:28,050
15
00:00:28,050 –> 00:00:30,300
16
00:00:30,300 –> 00:00:31,800
17
00:00:31,800 –> 00:00:34,920
است. به دلیل مشکلاتی که در
18
00:00:34,920 –> 00:00:37,200
یادگیری ماشین وجود دارد، بنابراین به طور کلی این
19
00:00:37,200 –> 00:00:38,760
یک پلت فرم یادگیری ماشین منبع باز سرتاسر است
20
00:00:38,760 –> 00:00:40,739
و ما می توانیم از این
21
00:00:40,739 –> 00:00:43,640
پلت فرم در زبان های مختلف
22
00:00:43,640 –> 00:00:46,170
استفاده کنیم.
23
00:00:46,170 –> 00:00:48,360
ما
24
00:00:48,360 –> 00:00:50,100
قصد داریم tensorflow را نصب کنیم و
25
00:00:50,100 –> 00:00:51,809
از شناورهای تانسور استفاده کنیم، شما یک
26
00:00:51,809 –> 00:00:54,239
مشکل خاص را حل می کنید، بنابراین اگر nt
27
00:00:54,239 –> 00:00:55,469
اطلاعات بیشتر در مورد tensorflow
28
00:00:55,469 –> 00:00:57,000
می توانید
29
00:00:57,000 –> 00:00:58,920
برای اطلاعات بیشتر در مورد آن به وب سایت رسمی tensorflow dot org مراجعه
30
00:00:58,920 –> 00:00:59,579
31
00:00:59,579 –> 00:01:01,530
کنید، همچنین می توانید صفحه نصب را بررسی کنید
32
00:01:01,530 –> 00:01:03,090
که اگر فقط برای نصب tensorflow در گوگل
33
00:01:03,090 –> 00:01:03,750
جستجو
34
00:01:03,750 –> 00:01:06,360
کنید، باید اطلاعاتی در مورد
35
00:01:06,360 –> 00:01:07,830
نحوه نصب tensorflow برای
36
00:01:07,830 –> 00:01:10,080
سیستم عامل مربوطه خود پیدا کنید. اگر
37
00:01:10,080 –> 00:01:12,540
از مک یا لینوکس استفاده می کنید، فرآیند
38
00:01:12,540 –> 00:01:13,670
نصب بسیار ساده است،
39
00:01:13,670 –> 00:01:15,600
اساساً فرض می کنیم که پایتون دارید
40
00:01:15,600 –> 00:01:17,909
و مدیریت بسته Python را
41
00:01:17,909 –> 00:01:19,830
که قبلاً روی دستگاه شما نصب شده است پیپ کنید، تنها کاری
42
00:01:19,830 –> 00:01:21,540
که باید انجام دهید این است که به یک ترمینال بروید و
43
00:01:21,540 –> 00:01:24,960
pip را تایپ کنید. تنسورفلو را نصب کنید تا زمانی
44
00:01:24,960 –> 00:01:26,790
که این کار را انجام دهید که من قبلاً این
45
00:01:26,790 –> 00:01:28,200
را بر روی دستگاه خود نصب کرده ام، بنابراین
46
00:01:28,200 –> 00:01:29,220
47
00:01:29,220 –> 00:01:31,350
اگر شما آن را نصب نکرده باشید، پیام های بسیاری از الزامات را می بینم که اگر آن را نصب نکرده
48
00:01:31,350 –> 00:01:33,509
اید، می بینید که آن را بر روی دستگاه خود نصب
49
00:01:33,509 –> 00:01:37,079
کنید. سپس
50
00:01:37,079 –> 00:01:38,759
دستورالعملهایی در این وبسایت وجود دارد
51
00:01:38,759 –> 00:01:40,290
که میتوانید آن را روی ویندوز راهاندازی کنید،
52
00:01:40,290 –> 00:01:41,759
همچنین کمی پیچیدهتر است،
53
00:01:41,759 –> 00:01:44,579
اما خیلی بد نیست، بنابراین وقتی پایتون را
54
00:01:44,579 –> 00:01:45,930
روی خود دارید r ماشین خوب است، بنابراین من فرض
55
00:01:45,930 –> 00:01:47,250
میکنم که پایتون را روی دستگاه خود نصب کردهاید
56
00:01:47,250 –> 00:01:48,570
و بعد از اینکه
57
00:01:48,570 –> 00:01:51,299
تنسورفلو را راهاندازی کردید، آماده کار هستیم، میتوانید آن
58
00:01:51,299 –> 00:01:52,890
را دنبال کنید و کاری که
59
00:01:52,890 –> 00:01:54,329
ما به طور خاص در این ویدیو انجام خواهیم داد این
60
00:01:54,329 –> 00:01:56,340
است که ما «
61
00:01:56,340 –> 00:01:57,930
قرار است برخی از متنها را طبقهبندی کنیم، بنابراین میخواهیم
62
00:01:57,930 –> 00:02:00,420
طبقهبندی متنی بهویژه
63
00:02:00,420 –> 00:02:03,119
طبقهبندی متن در نقد فیلم یا
64
00:02:03,119 –> 00:02:05,280
مجموعهای از نقدهای فیلم را
65
00:02:05,280 –> 00:02:06,420
انجام دهیم، باید بگویم پس کاری که میخواهیم انجام دهیم این است
66
00:02:06,420 –> 00:02:08,068
که خواهیم بود تجزیه و تحلیل
67
00:02:08,068 –> 00:02:09,479
نقدهای فیلم که از
68
00:02:09,479 –> 00:02:11,790
وب سایت اینترنتی IMDB به دست آمده است به طوری که
69
00:02:11,790 –> 00:02:13,260
پایگاه داده فیلم های اینترنتی است و
70
00:02:13,260 –> 00:02:15,330
این نقدهای فیلم دارای
71
00:02:15,330 –> 00:02:17,370
حس مثبت یا منفی هستند، به این ترتیب
72
00:02:17,370 –> 00:02:19,980
که آیا نقدها مثبت هستند،
73
00:02:19,980 –> 00:02:21,540
نقد خوبی برای فیلم هستند یا
74
00:02:21,540 –> 00:02:24,120
منفی هستند. به طرز بدی
75
00:02:24,120 –> 00:02:25,950
، نقد فیلمی است که ما به آن
76
00:02:25,950 –> 00:02:28,349
نگاه می کنیم نه چندان متملقانه
77
00:02:28,349 –> 00:02:30,510
نسبت به فیلم، بنابراین هر نقد
78
00:02:30,510 –> 00:02:33,209
فیلمی که داریم یک
79
00:02:33,209 –> 00:02:35,760
طبقه بندی باینری خواهد داشت که به این موضوع اشاره دارد که
80
00:02:35,760 –> 00:02:37,769
آیا یا خیر آن فیلم مثبت یا
81
00:02:37,769 –> 00:02:39,120
منفی است، بنابراین چه آن نقد مثبت یا منفی باشد یا نه
82
00:02:39,120 –> 00:02:41,579
، و مجموعه دادههایی
83
00:02:41,579 –> 00:02:42,870
که قرار است از آن استفاده
84
00:02:42,870 –> 00:02:44,280
کنیم از tensorflow استخراج میشود
85
00:02:44,280 –> 00:02:46,769
، تعدادی مجموعه داده سهام وجود دارد که
86
00:02:46,769 –> 00:02:48,810
tensorflow یکی از آنها را ارائه میکند. آنها
87
00:02:48,810 –> 00:02:51,629
این مجموعه داده از IMDB هستند و این
88
00:02:51,629 –> 00:02:53,970
مجموعه داده ای از حدود پنجاه هزار نقد فیلم است
89
00:02:53,970 –> 00:02:55,590
که همه به صورت متنی از این
90
00:02:55,590 –> 00:02:57,480
پایگاه داده فیلم های اینترنتی هستند و به طور کلی
91
00:02:57,480 –> 00:02:58,920
کاری که ما انجام می دهیم این است
92
00:02:58,920 –> 00:03:01,560
که این داده ها را بین 25000 و 25000 وسط تقسیم کنیم.
93
00:03:01,560 –> 00:03:03,840
این برای آموزش
94
00:03:03,840 –> 00:03:05,250
مدل ما خواهد بود و سپس نیمی دیگر
95
00:03:05,250 –> 00:03:06,810
برای آزمایش است و اگر
96
00:03:06,810 –> 00:03:10,260
با این مفهوم از گرفتن یک
97
00:03:10,260 –> 00:03:11,609
مجموعه داده و تقسیم آن به
98
00:03:11,609 –> 00:03:13,590
مجموعه آموزشی و آزمایشی آشنا
99
00:03:13,590 –> 00:03:16,019
نیستید، توصیه می کنم سری ویدیوهای من را در
100
00:03:16,019 –> 00:03:17,129
یادگیری ماشینی که در آن به
101
00:03:17,129 –> 00:03:18,660
جزئیات کمی بیشتر میپردازم در مورد اینکه چرا
102
00:03:18,660 –> 00:03:20,790
این مهم است و چگونه میتوان این
103
00:03:20,790 –> 00:03:22,260
کار را انجام داد،
104
00:03:22,260 –> 00:03:23,519
در این ویدیو نیز همپوشانیهای زیادی وجود خواهد داشت،
105
00:03:23,519 –> 00:03:25,889
بنابراین اگر واضح نباشد
106
00:03:25,889 –> 00:03:27,599
شما آزاد هستید که دنبال کنید و ببینید
107
00:03:27,599 –> 00:03:29,340
من چگونه این کار را انجام می دهم، در غیر این صورت اگر
108
00:03:29,340 –> 00:03:31,139
اطلاعات بیشتری می خواهید، می توانید آن
109
00:03:31,139 –> 00:03:34,079
سری از ویدیوها را نیز بررسی کنید، بنابراین کاری که
110
00:03:34,079 –> 00:03:35,250
ما می خواهیم انجام دهیم این است که
111
00:03:35,250 –> 00:03:37,200
ابتدا tensorflow را
112
00:03:37,200 –> 00:03:40,019
وارد کنیم شمع پایتون ما، بنابراین در حال حاضر تنها چیزی
113
00:03:40,019 –> 00:03:42,329
که من دارم یک ویرایشگر باز است، من از vim استفاده می کنم،
114
00:03:42,329 –> 00:03:44,400
این ویرایشگری است که من
115
00:03:44,400 –> 00:03:47,430
برای اجرا و نوشتن پایتون در آن انتخاب می کنم،
116
00:03:47,430 –> 00:03:48,989
می توانید از PyCharm استفاده کنید، می توانید از متن عالی استفاده کنید،
117
00:03:48,989 –> 00:03:51,750
می توانید از هر چیزی که دوست دارید استفاده کنید. من
118
00:03:51,750 –> 00:03:53,099
فقط قصد دارم از این استفاده کنم اگر
119
00:03:53,099 –> 00:03:54,959
روش سفارشی سازی من را دوست دارید،
120
00:03:54,959 –> 00:03:56,280
می توانید ویدیوی دیگری را در کانال من مشاهده کنید
121
00:03:56,280 –> 00:03:58,129
که نشان می دهد چگونه vim را به
122
00:03:58,129 –> 00:04:00,419
طور خاص با اتصالات پایتون و
123
00:04:00,419 –> 00:04:02,099
تکمیل خودکار و همه چیزهای خوب تنظیم کنید.
124
00:04:02,099 –> 00:04:04,709
از vim مانند من استفاده کنید، بنابراین
125
00:04:04,709 –> 00:04:05,849
کاری که ما قرار است انجام دهیم این
126
00:04:05,849 –> 00:04:07,709
است که ما فقط یک خط را
127
00:04:07,709 –> 00:04:09,449
در بالای فایل خود در اینجا وارد می کنیم که
128
00:04:09,449 –> 00:04:11,790
فقط به نوعی محافظت در برابر برخی
129
00:04:11,790 –> 00:04:13,079
از نسخه های دیگر پایتون است که ممکن است
130
00:04:13,079 –> 00:04:14,180
نوشتن این یک نحو بسیار معمولی است
131
00:04:14,180 –> 00:04:16,320
که در th نیز خواهید دید e
132
00:04:16,320 –> 00:04:19,168
tensorflow Docs آنها تعدادی
133
00:04:19,168 –> 00:04:20,699
چیز از آینده خواهند داشت که آنها را وارد می کنند
134
00:04:20,699 –> 00:04:22,320
و شما می توانید کم و بیش فقط این
135
00:04:22,320 –> 00:04:23,700
خط را در آنجا داشته باشید و به نوعی آن را نادیده بگیرید،
136
00:04:23,700 –> 00:04:25,260
من فقط سه چیز را
137
00:04:25,260 –> 00:04:26,160
از این
138
00:04:26,160 –> 00:04:28,020
خط زیر خط آینده وارد می کنم. underscore
139
00:04:28,020 –> 00:04:29,940
underscore تقسیم کاملاً مهم
140
00:04:29,940 –> 00:04:32,370
و تابع چاپ و سپس به مورد
141
00:04:32,370 –> 00:04:33,480
بعدی که در واقع
142
00:04:33,480 –> 00:04:34,590
میخواهیم tensorflow را وارد کنیم
143
00:04:34,590 –> 00:04:36,060
تا مطمئن شویم که روی دستگاه ما نصب شده است،
144
00:04:36,060 –> 00:04:37,710
بنابراین من فقط
145
00:04:37,710 –> 00:04:40,140
tensorflow را به عنوان TF وارد میکنم و اگر این کار را انجام دادید دوباره
146
00:04:40,140 –> 00:04:41,520
. این قرارداد را دیدم که فکر میکنم
147
00:04:41,520 –> 00:04:42,840
شما آن را دارید، زیرا فرض میکنم که
148
00:04:42,840 –> 00:04:44,430
شما در این ویدیو غواصی نمیکنید،
149
00:04:44,430 –> 00:04:47,490
اولین حمله شما به پایتون است، به طور کلی،
150
00:04:47,490 –> 00:04:49,650
ما از TF به عنوان خلاصهنویسی برای دسترسی به
151
00:04:49,650 –> 00:04:52,410
هر یک از ماژولهایی استفاده میکنیم که میتوانیم
152
00:04:52,410 –> 00:04:54,150
از طریق tensorflow به آن دسترسی داشته باشیم. بنابراین ما می گوییم TF
153
00:04:54,150 –> 00:04:56,130
dot چیزی و آن چیزی
154
00:04:56,130 –> 00:04:57,810
یک ماژول خواهد بود که ما بخشی از ماژول
155
00:04:57,810 –> 00:05:00,120
هستیم که از tensorflow وارد می شود.
156
00:05:00,120 –> 00:05:01,140
157
00:05:01,140 –> 00:05:03,450
158
00:05:03,450 –> 00:05:07,020
پلتفرم برنامه arate که همچنین
159
00:05:07,020 –> 00:05:08,280
به طور گسترده در فضای یادگیری ماشین استفاده می
160
00:05:08,280 –> 00:05:11,550
شود و tensorflow یک API برای Kharis ارائه می دهد
161
00:05:11,550 –> 00:05:13,230
و برخی از
162
00:05:13,230 –> 00:05:14,430
عملکردها بسیار خوب است و caris که
163
00:05:14,430 –> 00:05:16,650
اساساً از tensorflow استفاده می کنیم
164
00:05:16,650 –> 00:05:18,540
یک API برای دسترسی است بنابراین ما می خواهیم
165
00:05:18,540 –> 00:05:19,650
بگوییم از tensorflow
166
00:05:19,650 –> 00:05:22,200
imports caris که به ما
167
00:05:22,200 –> 00:05:23,820
امکان دسترسی به آن را می دهد و سپس آخرین چیزی
168
00:05:23,820 –> 00:05:25,260
که ما نیز به آن نیاز داریم numpy است،
169
00:05:25,260 –> 00:05:28,500
بنابراین ما می گوییم import numpy به عنوان NP یا
170
00:05:28,500 –> 00:05:31,590
numpy به عنوان NP، بنابراین من معتقدم این با tensorflow همراه است
171
00:05:31,590 –> 00:05:33,360
اگر شروع نمی شود کاری که می
172
00:05:33,360 –> 00:05:34,500
توانید انجام دهید این است که فقط می توانید یک
173
00:05:34,500 –> 00:05:36,270
پیپ نصب بسیار ساده را انجام دهید که باید روی
174
00:05:36,270 –> 00:05:38,850
ویندوز نیز کار کند و همچنین پیپ نصب numpy انجام دهید.
175
00:05:38,850 –> 00:05:41,250
176
00:05:41,250 –> 00:05:42,750
177
00:05:42,750 –> 00:05:43,919
من
178
00:05:43,919 –> 00:05:46,020
قبلاً از همان نوع قرارداد کاملاً راضی هستم
179
00:05:46,020 –> 00:05:47,700
و نقطه P به
180
00:05:47,700 –> 00:05:49,860
ما امکان می دهد به توابع در numpy دسترسی داشته باشیم
181
00:05:49,860 –> 00:05:51,210
و سپس فقط برای اطمینان از اینکه
182
00:05:51,210 –> 00:05:52,500
همه چیز را در اینجا تنظیم کرده ایم، می خواهم
183
00:05:52,500 –> 00:05:55,020
بگویم چاپ و من من می خواهم بگویم نقطه های TF و
184
00:05:55,020 –> 00:05:57,360
من دو نسخه زیرخط و
185
00:05:57,360 –> 00:05:59,430
سپس دو خط زیرخط در پایان انجام می دهم و
186
00:05:59,430 –> 00:06:01,410
این فقط به من اجازه می دهد
187
00:06:01,410 –> 00:06:02,940
نسخه فعلی تنسورفلو را
188
00:06:02,940 –> 00:06:05,040
که روی دستگاه خود نصب کرده ام چاپ کنم، بنابراین
189
00:06:05,040 –> 00:06:06,540
بیایید ادامه دهیم و وقتی
190
00:06:06,540 –> 00:06:07,860
پاک کردیم این را بنویسیم. ترمینال برای خلاص شدن از شر آن
191
00:06:07,860 –> 00:06:09,840
خروجی اضافی و من می خواهم بگویم پایتون
192
00:06:09,840 –> 00:06:12,150
IMDB به PI این نام فایلی است
193
00:06:12,150 –> 00:06:13,800
که برای شما می نویسم بنابراین
194
00:06:13,800 –> 00:06:15,360
ماژول tensorflow را وارد می کند و می بینم
195
00:06:15,360 –> 00:06:19,020
که من 1.1 را اجرا می کنم. 3.1 بنابراین این فقط
196
00:06:19,020 –> 00:06:20,910
نشان می دهد که شما می دانید نسخه tensorflow
197
00:06:20,910 –> 00:06:21,930
198
00:06:21,930 –> 00:06:23,490
بسته به زمانی که شما این را تماشا می کنید،
199
00:06:23,490 –> 00:06:25,410
ممکن است شما می دانید یک نوع
200
00:06:25,410 –> 00:06:27,630
نسخه قبلی tensorflow است.
201
00:06:27,630 –> 00:06:29,580
202
00:06:29,580 –> 00:06:30,780
203
00:06:30,780 –> 00:06:33,330
بهترین کار این
204
00:06:33,330 –> 00:06:35,190
است که کدی را در github خود به روز کنم که برای همه این آموزشها هر چند وقت یک بار
205
00:06:35,190 –> 00:06:37,590
206
00:06:37,590 –> 00:06:39,090
اصلاح میکنم تا مطمئن شوم که اگر چیزی
207
00:06:39,090 –> 00:06:39,350
را بالا
208
00:06:39,350 –> 00:06:41,990
میبرند خراب نمیشود، اما من
209
00:06:41,990 –> 00:06:43,070
نمیتوانم با آن دعوا کنم، زیرا من تعداد زیادی دارم. از
210
00:06:43,070 –> 00:06:45,050
فایل های مختلف و h در هر
211
00:06:45,050 –> 00:06:46,220
صورت اگر
212
00:06:46,220 –> 00:06:48,230
با مشکلی مواجه شدید، جداسازی آن باید به اندازه کافی آسان باشد که این است
213
00:06:48,230 –> 00:06:49,700
که کد همانطور که ذکر کردم در دسترس خواهد بود،
214
00:06:49,700 –> 00:06:50,840
من هاب دریافت می کنم، اما
215
00:06:50,840 –> 00:06:51,920
می توانید به جای دنبال کردن، آن را بررسی کنید
216
00:06:51,920 –> 00:06:53,360
و اگر این موضوع
217
00:06:53,360 –> 00:06:55,820
بیشتر به شما مربوط است، آن را بررسی کنید. کاری که
218
00:06:55,820 –> 00:06:57,350
اکنون میخواهیم انجام دهیم این است که فقط از شر
219
00:06:57,350 –> 00:06:58,970
این خط خلاص میشویم زیرا فقط
220
00:06:58,970 –> 00:07:01,040
میخواهیم تأیید کنیم تنسورفلو روی
221
00:07:01,040 –> 00:07:02,090
دستگاه ما نصب شده است و اکنون
222
00:07:02,090 –> 00:07:04,730
مجموعه دادههای IMDB را دانلود میکنیم، بنابراین این
223
00:07:04,730 –> 00:07:06,320
دوباره مجموعه داده ها از
224
00:07:06,320 –> 00:07:06,950
پایگاه داده فیلم های اینترنتی
225
00:07:0