Tutoriel Keras
Kéras
Parmi les plugins les plus efficaces et les plus conviviaux pour la construction d'algorithmes d'apprentissage en profondeur, il y a un cadre neuronal artificiel élevé basé sur Python appelé Keras, qui serait construit en plus de cadres d'apprentissage en profondeur bien connu comme Tensorflow ou CNTK. Pour permettre une exploration plus rapide en utilisant des réseaux de neurones plus profonds, il est conçu convivial, extensible et adaptable. Il gère à la fois les réseaux à action directe séparément, ainsi que dans le combo. Il utilise le package backend pour aborder les petites opérations car il n'est pas en mesure de les gérer. Le déploiement de keras, fondamentaux de l'apprentissage en profondeur, des structures de keras, de la superposition de keras, des forfaits keras et de la programmation en temps réel sera couvert dans cette leçon.
Configurer des keras sur Linux
Étape 01: Mettez à jour le système
Avant d'avoir la démonstration complète de l'utilisation de la bibliothèque «Keras» de Python, nous devons mettre à jour entièrement notre machine Linux pour faciliter les installations supplémentaires pour d'autres installations. À cette fin, nous devons ouvrir rapidement l'application «console» à partir des applications intégrées du système. Dans la zone de requête particulière, nous avons ajouté la requête «mise à jour» de Linux avec l'utilitaire «APT» et le privilège «sudo» de mettre à jour rapidement le système que nous avons. Il a obligé notre mot de passe utilisateur à poursuivre ce processus afin que notre système puisse être mis à jour correctement.
Étape 02: Installez Python et Pip
Pour l'utilisation de l'apprentissage en profondeur via Keras et Tensorflow, nous devons avoir la dernière version de Python configurée sur notre machine. Par conséquent, nous commençons à installer le package mis à jour de Python ainsi que son utilité «PIP» nécessaire sur notre système. Pour cela, nous devons à nouveau utiliser l'utilité «APT» d'Ubuntu 20.04 Système Linux dans la requête «Installer» sur le shell suivi des noms des packages à installer, i.e., Python3 et Python3-Pip. Lors de l'exécution de cette question simple sur la zone de la console, le système commencera à installer et à configurer les deux packages de notre système.
D'un autre côté, si votre système a une ancienne version de l'utilité «PIP» pour Python installée, vous devriez le mettre à jour avant d'aller de l'avant.
Après la configuration réussie de Python et de son utilitaire «PIP», il est temps de mettre à niveau les Setuptools pour Python pour éviter tout problème dans un avenir proche. Par conséquent, nous avons essayé la requête d'installation avec l'utilitaire «Pip3» et l'option -Upgrade pour installer la mise à niveau des setuptools, i.e., outils de configuration. Il demande le mot de passe actuel que nous avons pour notre système, et nous l'avons ajouté.
Étape 03: Installer TensorFlow
Pour construire l'apprentissage automatique et des modèles neuronaux supervisés, TensorFlow est le package mathématique symbolique le plus connu. Après avoir parcouru les installations, nous avons exécuté la même requête d'installation «PIP3» suivie du nom du package «TensorFlow».
D'autres services publics liés à TensorFlow doivent être entièrement installés sur le système. Ces services publics seront installés avec Tensorflow, et cela peut prendre jusqu'à 10 minutes ou plus.
Étape 04: Installez les packages essentiels
Après la configuration fructueuse de Tensorflow dans l'Ubuntu 20.04 Système, nous devons également configurer certains packages de construction ainsi que d'autres utilitaires comme «Git» et «Cmake». En essayant le même outil «APT», nous avons installé bon nombre des packages nécessaires, comme indiqué ci-dessous:
Cette étape prend le plus d'attention en confirmant cette installation. Appuyez sur «Y» et continuez.
Étape 05: Créez un environnement virtuel
Après les installations nécessaires, il est temps de créer un environnement virtuel. Par conséquent, nous devons utiliser l'utilitaire Python3 avec l'option «-m» pour créer l'environnement virtuel «kerasenv» via la variable «Venv». La requête «LS» montre que l'environnement est créé.
Maintenant, nous devons nous déplacer dans l'environnement virtuel du dossier Keras. Nous avons donc utilisé l'instruction «CD» avec le nom d'un dossier d'environnement virtuel. Après cela, nous avons déménagé dans le dossier «bac» de cet environnement virtuel et répertorié son sous. Pour activer cet environnement Python, nous avons essayé l'instruction «source» dans sa zone de requête ainsi que le fichier «Activer». L'environnement virtuel est activé avec le nom «Kerasenv».
Étape 06: Installez les bibliothèques Python
Après avoir réglé avec succès l'environnement virtuel Python, vous devez installer toutes les bibliothèques Python requises avant l'installation de Keras. Par conséquent, nous avons d'abord installé la bibliothèque du panda dans le même environnement virtuel en utilisant le package «PIP» de Python.
Le système commencera à le configurer dans l'environnement virtuel de Python, comme indiqué dans l'image:
Après avoir installé la bibliothèque de Pandas, essayez d'installer la bibliothèque Numpy à l'aide de la méthode suivante:
D'une manière très similaire, installez la bibliothèque Scipy de Python dans le même environnement.
Maintenant, installez la bibliothèque Matplotlib de Python dans l'environnement.
Python utilise des algorithmes de clustering et de régression dans l'apprentissage automatique pour effectuer des modèles de réseau neuronal. Pour cela, il contient la bibliothèque Sci-Kit Learn que nous installons avec l'utilitaire «PIP» ainsi que l'option «-u» pour configurer les packages requis, ainsi que.
Le traitement de l'installation de la bibliothèque Scikit a été illustré ci-dessous:
Pour la visualisation en profondeur, nous avons besoin que la bibliothèque de Python de Seaborn soit installée. Par conséquent, nous l'avons installé dans le même environnement avec la requête «Installer».
Étape 07: Installez la bibliothèque Keras
Après l'installation de toutes les bibliothèques préalables nécessaires de Python, nous pouvons enfin installer des keras dans l'environnement virtuel de Python. L'utilitaire «PIP» sera utilisé à cet effet dans notre requête «Installer» avec le nom du module, je.e., «Keras». Si le système montre que ses besoins sont déjà satisfaits, cela signifie qu'il est déjà installé et configuré.
S'il n'est pas déjà installé, cette requête commencera à le télécharger et à la configurer dans l'environnement virtuel sans délai d'une seconde et le traitement serait affiché, comme ci-dessous:
Après la configuration complète et l'installation de la bibliothèque «Keras» sur l'environnement virtuel, il est temps d'afficher les informations complètes à ce sujet sur le shell via la requête «Pip Show». L'exécution de cette requête «Show» a présenté la version de Keras installée dans notre environnement virtuel de Python, son nom, son résumé, sa page d'accueil Web, l'auteur, l'e-mail de l'auteur, la licence, l'emplacement qu'il prend sur notre système, et beaucoup Plus comme présenté ci-dessous:
Après les meilleures installations des bibliothèques Keras et Tensorflow de Python, nous devons quitter l'environnement virtuel. Pour cela, essayez la requête «désactiver» sur la coquille et quittez.
Étape 08: Installez Anaconda Cloud
Python a un nuage nommé «Anaconda» qui est nécessaire pour construire des exemples de réseau de neurones dans Python. Par conséquent, nous avons téléchargé son fichier d'exécution sur notre système.
Ce fichier réside dans le dossier actuel de la machine Linux selon la requête «LS». Vous devez vous assurer que c'est d'abord de somme de contrôle, je.e., S'il est entièrement correct ou non via la requête SHA256SUM.
Après cela, nous devons installer le fichier bash téléchargé d'Anaconda dans notre système en utilisant l'instruction «bash» et le nom de fichier sur la même console. Il nous a demandé de revoir le contrat de licence avant l'installation. Donc, nous avons exploité «Entrer» pour continuer.
Après avoir conclu son accord de licence, il nous demande de taper «oui» si nous sommes d'accord avec les termes. Vous devez appuyer sur Entrée pour continuer à l'installer au même endroit ou à écrire le chemin d'accès au répertoire où vous souhaitez l'installer. Sinon, utilisez «Ctrl-C» pour annuler l'installation.
Il affichera la longue liste des packages qui seront installés dans ce processus. Après une exécution des transactions, il commencera à installer les packages.
Après un certain temps, l'Anaconda a été installée avec succès avec ses packages supplémentaires.
Vous devez exécuter le fichier «Activer» à partir du dossier Anaconda via la requête «source» en tant que racine.
Essayez de lancer le navigateur Anaconda en utilisant la requête suivante.
Pour créer et travailler sur le nouvel environnement conda, essayez l'instruction «Conda Create» avec l'option Nom suivie du nouveau nom d'environnement, I.e., Pycpu.
Ce processus nécessite notre confirmation sur la création du nouvel environnement. Appuyez sur "Y".
Pour activer et exécuter l'environnement Conda nouvellement fait, utilisez la requête «Conda Activate» avec le nom de votre nouvel environnement, je.e., L'environnement PYCPU est désormais activé.
Étape 09: Installer Spyder IDE
L'IDE Spyder doit être installé dans cet environnement pour l'exécution des programmes Python. Pour cela, nous avons essayé la requête d'installation conda sur le shell Environment Pycpu avec le mot-clé «Spyder».
Appuyez sur «Y» pour continuer à installer Spyder.
Étape 10: Installez la bibliothèque Pandas et Keras
Après l'installation de Spyder, installez la bibliothèque de Python du Panda dans un environnement Anaconda à l'aide de la requête d'installation conda avec l'option -c.
Encore une fois, appuyez sur le bouton «Y» pour continuer.
Après la configuration réussie des pandas, installez la bibliothèque Keras avec la même requête.
Continuez après avoir cliqué sur le bouton «Y».
Vous pouvez lancer le Spyder IDE dans la console environnementale actuelle d'Anaconda comme suit:
L'IDE Spyder s'est préparé à lancer.
Le dossier caché ".Keras »a été situé dans le répertoire de la maison. Un inconnu et ouvrir ses «keras.Fichier JSON "pour ajouter les configurations suivantes.
Configurez des keras et TensorFlow sur Windows
Pour configurer Keras et TensorFlow dans un environnement Windows, vous devez vous assurer que la langue Python ainsi que sa bibliothèque «PIP» et Anaconda Navigator sont déjà configurés dessus. Après l'avoir configuré, vous devriez l'ouvrir à partir de votre zone de recherche et vous déplacer dans l'onglet «Environments». Dans cet onglet, vous trouverez le nom de l'environnement dans lequel vous travaillez actuellement.e., base. Dans la zone ci-dessous, vous trouverez l'onglet suivant. Appuyez sur l'option «Créer».
Ici, vous devez créer un nouveau nom d'environnement «Tensorflow», je.e., sont actuellement à l'intérieur de l'environnement de base. Sélectionnez la dernière version de Python à utiliser et appuyez sur le bouton «Créer» pour continuer.
Vous verrez que l'environnement a commencé à se charger.
Après un certain temps, l'environnement TensorFlow est entièrement installé.
Depuis sa zone la plus à gauche, vous pouvez voir toutes les bibliothèques et modules installés et disponibles pour Python, comme présenté ci-dessous:
Maintenant, nous devons installer la bibliothèque backend de TensorFlow de Python en utilisant cette zone. Dans la barre de recherche, écrivez «Tensorflow» et marquez le même package de cas à partir de la liste affichée pour l'installer. Appuyez sur le bouton «Appliquer» pour poursuivre l'installation de TensorFlow avec ses sous-modules comme «Keras».
Il a commencé à fonctionner et à configurer le tensorflow sur notre environnement Anaconda.
Lors de l'installation, il affichera la liste des sous-packages qui seront installés sur l'environnement Anaconda. Tapez le bouton «Appliquer» et attendez un certain temps jusqu'à ce qu'il ait terminé.
Après un certain temps, vous trouverez tous les packages installés dans la même zone de modules. Vous pouvez voir que la bibliothèque Keras a été installée avec d'autres packages et nous n'avons pas à l'installer maintenant.
Dans la barre de recherche Windows, recherchez le mot-clé «Jupyter». L'application nommée «Jupyter Notebook (Tensorflow)» serait affichée avec d'autres. Appuyez dessus pour lancer le cahier Jupyter avec le backend TensorFlow activé. Créez un nouveau fichier Python et commencez à travailler.
Deep Learning via Keras
L'apprentissage en profondeur comprend une analyse de couche par couche de l'apport, chaque couche extrait progressivement les détails de niveau avancé de l'entrée. Un cadre complet est fourni par Keras pour former n'importe quelle sorte de réseau neuronal. Keras créatif et incroyablement simple à comprendre. Il permet des modèles de réseau neuronal allant du plus naïf au plus grand et suprême complexe.
Réseau de neurones artificiels (Ann)
La méthodologie du «réseau neuronal artificiel» (ANN) semble être la méthode la plus largement utilisée et fondamentale d'apprentissage en profondeur. Ils prennent leurs repues de l'esprit humain, la composante la plus compliquée naturelle de notre corps, qui sert de modèle. Plus de 90 milliards de cellules microscopiques appelées «neurones» constituent le cerveau d'un individu. Les axones et les dendrites sont des types de fibres nerveuses qui relie les neurones ensemble. La fonction principale d'un axone est d'envoyer des données d'un neurone lié à la suivante. Pour plus d'informations, veuillez rechercher à partir du moteur de recherche Google.
Architecture Keras
L'architecture de l'API Keras a été classée en trois parties principales énumérées ci-dessous. Prenons une forme à chacun de manière distincte.
- Modèle
- Couche
- Modules de base
Modèle de kéras
Le modèle Keras se compose exactement de deux types, je.e., API séquentielle et fonctionnelle.
Modèle séquentiel
Fondamentalement, un modèle séquentiel est une compilation chronologique des couches Keras. Le modèle séquentiel simple et simpliste peut décrire presque tous les réseaux de neurones qui sont actuellement utilisés. Un modèle personnalisé peut être réalisé en utilisant la classe de modèle que le modèle séquentiel révèle. L'approche de sous-classe peut être utilisée pour construire un modèle sophistiqué de notre propre. La démonstration du modèle séquentiel a été présentée ci-dessous.
Ajouter des couches
Le script a été démarré à partir de l'importation de mode séquentiel via les keras.Modèles et l'autre ligne a créé un modèle séquentiel. Après cela, l'importation de la couche dense crée une couche d'entrée et ajoute une couche d'entrée à un modèle. La couche dense cachée a été créée et ajoutée au modèle et la même a été effectuée pour la couche dense de sortie.
Accéder au modèle
Vous pouvez obtenir des informations concernant les couches de votre modèle, les données d'entrée qu'il a utilisées et ses données de sortie. Le modèle.La fonction des calques vous permet d'accéder à toutes les couches. Le modèle.Les entrées afficheraient les tenseurs d'entrée et le modèle.La sortie affichera les tenseurs de sortie.
Sérialiser le modèle
Il est facile de retourner le modèle utilisé dans le script comme objet ou JSON. Par exemple, la fonction get_config () donne le modèle en tant qu'entité / objet. La fonction from_config () crée un nouveau modèle utilisant l'objet comme valeur paramétrique.
Vous pouvez également modifier votre modèle en JSON en utilisant la fonction to_json ().
Résumé du modèle
Pour obtenir le résumé entier concernant les couches utilisées dans le modèle ainsi que quelques informations supplémentaires, appelez la fonction résumé ().
Former et prédire le modèle
Pour s'entraîner et prédire, nous devrions utiliser la fonction de compilation, ajuster la fonction, évaluer la fonction et prédire la fonction à cet égard.
Couches de keras
Chaque entrée, cachée et conduite de la couche dans le modèle suggéré de réseaux de neurones correspond à une couche de keras différente dans le modèle réel. Tout réseau de neurones sophistiqué peut être rapidement développé en utilisant de nombreuses couches prédéfinies de la bibliothèque Keras. Il y a différentes couches de keras que nous avons, je.e., Couches centrales, couches de mise en commun, couches récurrentes et couches de convolution. Vous pouvez les étudier en recherchant sur le Web. Les deux premières lignes ont importé le mode séquentiel, la couche dense, d'activation et de dépôt.
Nous avons essayé l'API séquentiel () pour créer un modèle séquentiel d'abandon. En jetant le modèle d'activation «relu», nous avons créé une couche dense via l'API «dense». Pour répondre à la sur-ajustement de la couche dense, nous avons utilisé l'API Dropout (), je.e., Dropout superpose via Dropout () Fonction. Après cela, nous avons utilisé une couche plus dense ici avec le modèle d'activation «relu». Pour gérer les couches denses de la sur-ajustement, nous devons utiliser les couches d'abandon. En fin de compte, nous avons rejeté nos couches denses finales en utilisant le modèle d'activation de type «softmax».
Avez-vous déjà joué en superposant pendant la cuisson? Si c'est le cas, alors ce concept ne serait pas difficile pour vous de comprendre. Le résultat d'un niveau servira de données d'entrée pour la couche suivante. Voici les choses de base nécessaires pour construire une toute nouvelle couche:
- Forme de données d'entrée
- Neurones / unités totales dans une couche
- Initialisation
- Régulateurs
- Contraintes
- Activations
Forme de données d'entrée
Dans le langage Python, chaque type d'entrée a été convertie en un tableau d'entiers, puis ajoutée au modèle d'algorithme. Dans Python, nous devons spécifier la forme d'entrée pour obtenir la sortie selon nos besoins. Dans les exemples suivants, nous avons spécifié la forme d'entrée (3,3), i.e., 3 lignes et 3 colonnes. La sortie a affiché la matrice.
Initialisation
Le module initial des couches Keras nous fournit de nombreuses fonctions pour spécifier un poids spécifique pour les données d'entrée. Par exemple, la fonction zeros () spécifie 0 pour tous, celles () spécifieraient pour tous, et la fonction constante () spécifiera une valeur constante spécifiée ajoutée par un utilisateur pour tous et plus. Pour une meilleure compréhension, nous avons utilisé la fonction Identity () pour générer une matrice d'identité. Le reste des fonctions peut également être recherché à partir du moteur de recherche.
Contraintes
Il existe différentes fonctions de contraintes disponibles pour appliquer des contraintes sur le paramètre «poids» de la couche, je.e., Non négatif, norme unitaire, norme maximale, Minmaxnorm et bien d'autres. Dans l'illustration suivante, nous avons appliqué la norme de contrainte inférieure ou égale au poids. Le paramètre «max_value» est la limite supérieure de la contrainte à appliquer et l'axe est la dimension sur laquelle la contrainte serait appliquée, i.e., dimension 1.
Régulateurs
Tout au long de l'optimisation, il impose diverses frais sur la propriété de la couche. Il a également trouvé certaines fonctions pour le faire, je.e., Régulariseur L1, régularisateur L2 et régularisateur «Li et L2». Voici l'illustration la plus simple de la fonction de régularisateur L1:
Activations
Une fonction unique appelée la fonction d'activation est utilisée pour déterminer si un neurone particulier est actif ou non. La fonction d'activation transforme les données entrantes d'une manière complexe, ce qui aide les neurones à étudier plus efficacement. Voici plusieurs méthodes d'activation présentées dans les exemples fournis ci-dessous:
Modules de keras
Comme nous le savons, les modules de programmation contiennent généralement des fonctions, des classes et des variables à utiliser à des fins différentes et spécifiques. Juste comme ça, la bibliothèque Keras de Python contient de nombreux modules. Vous pouvez obtenir toutes les connaissances requises sur les modules Keras du Web.
Backend
L'un de ses modules les plus connus et les plus utilisés est le module «backend» qui a été conçu pour utiliser les bibliothèques backend de Python comme Tensorflow et Theano. En utilisant le module backend, nous pouvons utiliser autant de fonctions backend que possible à partir de la bibliothèque TensorFlow et Theano. Pour utiliser le module de bibliothèque backend, nous devons spécifier la bibliothèque backend à utiliser dans le fichier de configuration «Keras.JSON, que nous avons créé dans le caché .dossier keras. Par défaut, le backend a été spécifié comme «Tensorflow», mais vous pouvez également le changer en un autre, je.e., Theano, ou CNTK.
Dans notre exemple, nous utiliserons la bibliothèque Tensorflow comme backend. Pour charger les configurations du backend à partir des keras.Fichier JSON du dossier racine «Keras», utilisez:
- De Keras Import Backend comme k
Après avoir réussi à importer le backend des keras.Fichier JSON, il est temps d'obtenir les informations backend en utilisant la variable «k» avec la variable à récupérer. Tout d'abord, nous avons récupéré le nom d'un backend que nous utilisons et déjà importé en utilisant la fonction «backend ()». Il renvoie le «Tensorflow» comme valeur backend. Pour obtenir la valeur flottante du backend, nous avons appelé la fonction FloatX () via l'objet variable «K» de Keras. Il montre que nous utilisons la valeur float32.
Pour obtenir le format des données d'image, utilisez la fonction image_data_format () avec la variable «k». En l'utilisant, cela montre que notre backend a utilisé le format de données d'image «Channels_last». Pour obtenir la puissance exposante du backend, appelez la fonction epsilon () avec la variable «k». Il renvoie que le backend utilisera la puissance exponentielle de "07". C'est tout au sujet de la récupération des informations backend.
Fonction get_uid ()
Il est temps de jeter un coup d'œil à certaines fonctions backend de TensorFlow pour comprendre sa fonctionnalité. Une de ses fonctions backend les plus utilisées «get_uid () qui est utilisée pour identifier le graphique par défaut que nous utilisons. L'utiliser avec le paramètre prefix = ".e., Selon l'utilisation. Encore une fois, l'utiliser lui reviendrait «2» comme nous l'appelions à nouveau et la valeur du graphique a été incrémentée. Après avoir utilisé la fonction «reset_uids», la valeur de l'ID utilisateur graphique serait réinitialisée à 0. Par conséquent, l'utilisation de la fonction get_uid () l'incrémenter à nouveau de 1.
Fonction d'espace réservé
Le tenseur a utilisé la fonction d'espace réservé () pour contenir différentes formes dimensionnelles. Par exemple, dans l'illustration suivante, nous l'avons utilisé pour maintenir l'image 3D dans le tenseur via la variable Keras «K» et l'enregistrer dans une autre variable «D». La sortie de la variable «D» montre les propriétés d'une forme utilisée dans l'espace réservé.
La fonction «int_shape ()» est utilisée pour afficher la forme d'une valeur enregistrée dans l'espace réservé «D».
Fonction DOT ()
Avez-vous déjà multiplié deux vecteurs? Si c'est le cas, il ne sera pas difficile pour vous de multiplier deux tenseurs. Pour cela, la bibliothèque backend a proposé la fonction «DOT». Tout d'abord, pour maintenir les deux formes différentes, nous avons utilisé les valeurs de forme dans la fonction d'espace réservé () dans les 2 premières lignes pour créer deux supports «X» et «Y». La fonction DOT () a pris les détenteurs «x» et «y» pour multiplier les deux tenseurs et enregistrer le résultat à une autre variable «Z». Lors de l'utilisation du tenseur «z» pour l'impression, il affiche la forme du tenseur résultant multiplié (1, 5) à l'écran.
Fonction ()
La fonction () du module backend a été connue pour initialiser toutes les valeurs d'une forme particulière à 1. Par exemple, nous utilisons la fonction Ones () sur la forme du tenseur (3,3) et enregistré le résultat à la variable «V». La fonction eval () est rejetée ici pour évaluer la valeur d'une variable «V» et afficher dans l'environnement Python. En retour, il a converti la forme (3,3) en une matrice de tableau de tous les éléments avec le type de données Float32.
Fonction batch_dot ()
Le lot de tenseur spécifierait les échantillons totaux à trier avant de mettre à jour un modèle. La fonction batch_dot () du backend TensorFlow est principalement utilisée pour découvrir le résultat de la multiplication de deux données de lots différentes. Par conséquent, nous avons créé deux variables tensor V1 et V2 et utilisé la fonction d'entrée () pour les enregistrer en v1 et v2 comme entrée. Après cela, nous avons essayé la fonction Batch_dot () sur les deux variables du tenseur, V1 et V2, et la valeur résultante serait enregistrée dans une autre variable «V3». En imprimant la variable V3, nous avons trouvé la forme résultante (2,2) en retour.
Fonction variable
Si vous avez déjà travaillé sur une autre langue, vous avez peut-être initialisé de nombreuses variables avec le mot-clé «var» ou sans lui. Plusieurs fois, vous pouvez avoir initialisé les variables avec leurs types de données comme entier, une chaîne ou un caractère. Dans la bibliothèque Python Keras, nous pouvons créer n'importe quelle variable à l'aide de la fonction variable () sur certaines données de tenseurs sous forme d'échantillons.
Dans l'image suivante, nous avons créé une variable «D» en ajoutant l'exemple de deux données de liste dans une fonction variable () avec l'objet Keras «K». Après avoir ajouté cette variable, nous avons appelé la fonction transposée () sur cette variable «D» pour découvrir la transposition d'un exemple de données via l'objet Keras «K». La transposition résultante serait enregistrée dans une variable «Val». L'énoncé d'impression du langage Python a été utilisé ici pour imprimer la valeur de la variable résultant «Val». L'instruction PRINT a affiché le choix de la fonction que nous avons appliquée à la variable «D» et au nombre total d'éléments dans chaque liste.
Après cela, nous avons essayé la fonction «Evale» sur la variable «Val» pour obtenir la transposition des échantillons ajoutés à la variable «D» et la fonction d'impression l'affichage. Vous pouvez voir la transposition de deux listes dans la sortie.
L'illustration de code précédente a été réalisée par l'utilisation de fonctions Python simples sans importer de bibliothèque Python particulière. La «transposition» de deux ensembles de données peut être trouvée en utilisant les tableaux Numpy. Pour cela, nous devons importer la bibliothèque Numpy comme «N» au début. Le format de base est le même, mais nous devons initialiser l'ensemble de données de forme avec le mot-clé «tableau» au lieu d'utiliser le mot-clé «variable». L'échantillon Numpy Back doit être maintenu à la variable «D». Le même objet Numpy «N» est utilisé pour appeler la fonction Transpose () sur la variable «D» et enregistrer son résultat sur la variable «Val».
L'énoncé d'impression a appelé la variable «Val» pour afficher son tenseur de transport. Vous pouvez voir, pour afficher la valeur transposée résultante de la variable «Val», nous n'avons pas besoin de la fonction «EVAL» ici. Maintenant, nous avons utilisé la fonction variable avec l'argument «D» et enregistré le résultat à la variable «Z». Après avoir essayé l'instruction d'impression en ajoutant la valeur de l'argument «z», il a affiché la sortie dans le même format précédent que nous avons essayé dans l'exemple de variable ci-dessus.
Fonction is_sparse ()
Le mot «clairsemé» dans le tenseur est utilisé pour un tenseur clairsemé contenant des entrées avec des zéros principalement. Dans cet exemple, nous utiliserons la fonction is_sparse () du module backend pour vérifier si le tenseur a la plupart des zéros ou non.
Premièrement, nous avons appelé la fonction placeholder () pour maintenir la forme du tenseur (3,3) avec l'argument clairsemé réglé sur true. Cette valeur d'espace réservé serait maintenue au «x» mutable et affiché. La sortie a affiché les informations concernant la variable d'espace réservé «x».
Par exemple, son type de données, sa forme et sa fonction y sont appliqués. Après cela, nous avons essayé la déclaration d'impression une fois de plus en appelant la fonction is_sparse (). Cette fonction a pris la variable «x» comme argument pour afficher si le tenseur «x» est clairsemé ou non. La sortie affiche «vrai».
Fonction TO_DENSE ()
Le tenseur dense serait celui qui a utilisé le bloc de mémoire chronologique pour stocker les informations de manière adjacente et représenter les valeurs d'information, ainsi que. La fonction «to_dense ()» du module backend nous a permis de convertir le tenseur clairsemé en un tenseur dense. Par conséquent, nous prenons la même fonction d'espace réservé pour ajouter le tenseur à la variable «x» et ce tenseur a été défini sur «clairsemé».
La fonction «to_dense ()» est appliquée à la variable tensor dense «x», i.e., Pour le convertir en un tenseur dense et le sauver en une autre variable «Res». Maintenant, le «res» est un tenseur dense lui-même. La déclaration d'impression a été rejetée pour imprimer la variable «Res». L'utilisation d'instructions d'impression pour la variable «RES» a affiché les informations concernant la variable convertie «Res», i.e., converti avec succès clairsemé en dense et beaucoup plus.
Ensuite, une autre fonction d'impression est appelée en utilisant la fonction is_sparse () pour vérifier si la variable «res» est clairsemée ou non. La sortie a montré que la variable «res» n'est pas clairsemée, je.e., Comme nous l'avons converti en un tenseur «dense» déjà.
Fonction Random_Uniform_Variable ()
La fonction random_unifor_variable () dans le module backend keras est spécialement conçue pour l'initialisation d'un tenseur via la distribution uniforme. Il faut un total de trois arguments. Le tout premier argument «forme» est utilisé pour définir les lignes et les colonnes de la forme dans le formulaire de tuple. Si vous avez fait des mathématiques, vous avez peut-être appris le concept de moyenne et d'écart type.
Dans la méthode random_unifor_variable (), les deux arguments suivants sont l'écart moyen et typique d'une distribution uniforme. Dans cette illustration, nous avons initialisé deux tenseurs «x» et «y» en utilisant la distribution uniforme standard via la fonction random_uniform_variable (). Les deux tenseurs contiennent des formats de forme différents, je.e., lignes et colonnes avec la même moyenne et l'écart type, i.e., bas = 0 et haut = 1.
Après cela, nous rejetons la fonction «point» en prenant les tenseurs «x» et «y» pour la multiplication. Le résultat de cette multiplication serait enregistré dans la variable «Z». En fin de compte, le int_shape () est un must à utiliser pour afficher la forme d'un tenseur résultant «z». La sortie montre le tenseur (2,2).
Utils
Si vous souhaitez utiliser certaines des fonctions très utiles du concept d'apprentissage en deep de Python, vous devez utiliser le module UTILS de la bibliothèque Keras dans vos scripts. Par exemple, si vous souhaitez afficher vos données au format HDF5Matrix, vous devez importer la classe HDF5Matrix et utiliser sa fonction HDF5Matrix dans le script.
Fonction TO_Categorical ()
Cette fonction vous permet de modifier un vecteur de classe dans une matrice, je.e., matrice de classe binaire. Disons que nous avons importé la fonction TO_Categorical () du module UTILS et initialisé un vecteur «A». Le vecteur «A» a été transmis à la fonction TO_Categorical (). La matrice binaire de ce vecteur de classe «A» a été affichée.
Fonction print_summary ()
Pour imprimer le résumé d'un modèle que nous avons jeté dans notre environnement, la fonction print_summary a été utilisée.
Fonction de tracé_model ()
La fonction PLOT_MODEL () signifie le modèle dans un format DOT et vous permet de l'enregistrer dans un document.
Conclusion
Pour résumer, nous pouvons dire que la langue python est une langue nécessaire pour l'ère d'aujourd'hui, car tout devient rapide et que la technologie a évolué si follement rapide. Tout au long de cette ligne directrice d'apprentissage, nous avons été à la hauteur de la bibliothèque Keras de Python en profondeur et des réseaux de neurones artificiels. Pour cela, nous avons également subi l'importance et l'utilisation de sa bibliothèque backend «TensorFlow» pour obtenir une compréhension claire. De plus, nous avons discuté et expliqué chaque configuration requise pour configurer l'environnement Keras et Anaconda à Python dans l'Ubuntu 20.04 Système d'exploitation Linux. Après cela, nous avons entièrement discuté des modèles, des couches et des modules de keras un par un avec leurs fonctions les plus utilisées. Pour la démonstration du modèle de l'API de fonction, veuillez consulter la documentation officielle.