آشنایی با Google Colab برای آموزش مدل‌های یادگیری عمیق

۱. مقدمه‌ای بر Google Colab

• محیط محاسباتی مبتنی بر وب: کاربران می‌توانند کدهای پایتون را در مرورگر وب خود نوشته و اجرا کنند.
• دسترس‌پذیری از منابع GPU و TPU: Google Colab به کاربران اجازه می‌دهد تا از پردازنده‌های گرافیکی (GPU) و واحدهای پردازش تنسور (TPU) رایگان بهره‌برداری کنند.
• ادغام با Google Drive: کاربران می‌توانند فایل‌های خود را به راحتی از Google Drive بارگذاری و ذخیره کنند.
• دسترس‌پذیری به کتابخانه‌های مشهور یادگیری ماشین: Colab به طور پیش‌فرض به کتابخانه‌های محبوب یادگیری ماشین و یادگیری عمیق مانند TensorFlow، Keras و PyTorch دسترسی دارد.

۲. راه‌اندازی Google Colab

۲.۱. ورود به Google Colab

1. به سایت Google Colab بروید.
2. با حساب کاربری گوگل خود وارد شوید.

۲.۲. ایجاد یک دفترچه جدید

1. پس از ورود به محیط Colab، بر روی گزینه "New Notebook" کلیک کنید تا یک دفترچه جدید ایجاد کنید.
2. نام مناسبی برای دفترچه خود انتخاب کنید تا مدیریت آن آسان‌تر باشد.

۲.۳. پیکربندی محیط

1. برای استفاده از GPU یا TPU، به منوی "Runtime" بروید و گزینه "Change runtime type" را انتخاب کنید.
2. در بخش "Hardware accelerator"، گزینه "GPU" یا "TPU" را انتخاب کنید و بر روی "Save" کلیک کنید.

۳. بارگذاری و پیش‌پردازش داده‌ها

۳.۱. بارگذاری داده‌ها از Google Drive

1. برای بارگذاری داده‌ها از Google Drive، از کد زیر استفاده کنید:

   from google.colab import drive
   drive.mount('/content/drive')

2. پس از اجرای کد، به شما یک لینک برای احراز هویت داده می‌شود. با دنبال کردن این لینک و وارد کردن کد احراز هویت، می‌توانید به فایل‌های Google Drive خود دسترسی پیدا کنید.

۳.۲. بارگذاری داده‌ها از منابع آنلاین

```python
import pandas as pd
url = 'https://example.com/data.csv'
data = pd.read_csv(url)
```

۳.۳. پیش‌پردازش داده‌ها

• پاک‌سازی داده‌ها: حذف مقادیر گمشده و تصحیح خطاهای موجود.
• استانداردسازی و نرمال‌سازی: مقیاس داده‌ها را تنظیم کنید تا مدل به راحتی یاد بگیرد.
• تقسیم داده‌ها به مجموعه‌های آموزشی و آزمایشی: داده‌ها را به دو بخش تقسیم کنید تا مدل بتواند بر روی یک بخش آموزش ببیند و عملکرد خود را بر روی بخش دیگر ارزیابی کند.

  from sklearn.model_selection import train_test_split
  X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

۴. آموزش مدل‌های یادگیری عمیق

۴.۱. انتخاب کتابخانه یادگیری عمیق

۴.۲. آموزش مدل با TensorFlow و Keras

1. ساخت مدل

   import tensorflow as tf
   from tensorflow.keras.models import Sequential
   from tensorflow.keras.layers import Dense
   model = Sequential([
       Dense(64, activation='relu', input_shape=(input_dim,)),
       Dense(32, activation='relu'),
       Dense(num_classes, activation='softmax')
   ])

2. کامپایل مدل

   model.compile(optimizer='adam', 
                 loss='sparse_categorical_crossentropy', 
                 metrics=['accuracy'])

3. آموزش مدل

   history = model.fit(X_train, y_train, epochs=10, validation_split=0.2)
   

4. ارزیابی مدل

   test_loss, test_acc = model.evaluate(X_test, y_test)
   print(f'Test Accuracy: {test_acc}')

۴.۳. آموزش مدل با PyTorch

1. ساخت مدل

   import torch
   import torch.nn as nn
   import torch.optim as optim
   class SimpleNN(nn.Module):
       def __init__(self):
           super(SimpleNN, self).__init__()
           self.fc1 = nn.Linear(input_dim, 64)
           self.fc2 = nn.Linear(64, 32)
           self.fc3 = nn.Linear(32, num_classes)
       def forward(self, x):
           x = torch.relu(self.fc1(x))
           x = torch.relu(self.fc2(x))
           x = self.fc3(x)
           return x
   model = SimpleNN()

2. تعریف تابع هزینه و بهینه‌ساز

   criterion = nn.CrossEntropyLoss()
   optimizer = optim.Adam(model.parameters(), lr=0.001)

3. آموزش مدل

   for epoch in range(10):
       model.train()
       optimizer.zero_grad()
       outputs = model(X_train)
       loss = criterion(outputs, y_train)
       loss.backward()
       optimizer.step()

4. ارزیابی مدل

   model.eval()
   with torch.no_grad():
       outputs = model(X_test)
       _, predicted = torch.max(outputs, 1)
       accuracy = (predicted == y_test).sum().item() / y_test.size(0)
   print(f'Test Accuracy: {accuracy}')

۵. ذخیره و بارگذاری مدل‌ها

۵.۱. ذخیره مدل

• در TensorFlow/Keras:

  model.save('my_model.h5')
  

• در PyTorch:

  torch.save(model.state_dict(), 'my_model.pth')
  

۵.۲. بارگذاری مدل

• در TensorFlow/Keras:

  
  from tensorflow.keras.models import load_model
  model = load_model('my_model.h5')

• در PyTorch:

  
  model = SimpleNN()
  model.load_state_dict(torch.load('my_model.pth'))

۶. اشتراک‌گذاری و همکاری

1. بر روی دکمه "Share" در گوشه بالای راست دفترچه خود کلیک کنید.
2. تنظیمات دسترسی را مطابق نیاز خود تنظیم کنید و لینک اشتراک‌گذاری را با دیگران به اشتراک بگذارید.

نتیجه‌گیری