Tutorial di Keras
Keras
Tra i plug-in più efficaci e intuitivi per la costruzione di algoritmi di apprendimento profondo c'è un elevato quadro neurale artificiale elevato chiamato Keras, che sarebbe costruito sulla parte superiore di noti quadri di apprendimento profondo come Tensorflow o CNTK. Per consentire un'esplorazione più rapida utilizzando reti neurali più profonde, è progettata intuitiva, estendibile e adattabile. Gestisce le reti di feedforward e retrattile separatamente, nonché nella combinazione. Utilizza il pacchetto backend per affrontare le piccole operazioni perché non è in grado di gestirle. Lo spiegamento di Keras, Fondamenti di Deep Learning, Keras Structures, Keras Strayering, Keras Packages e Programming in tempo reale saranno coperti in questa lezione.
Imposta Keras su Linux
Passaggio 01: Sistema di aggiornamento
Prima di avere la piena dimostrazione dell'uso della libreria di Python "Keras", dobbiamo aggiornare completamente la nostra macchina Linux per rendere facile per ulteriori installazioni. A tale scopo, dobbiamo aprire rapidamente l'applicazione "console" dalle applicazioni integrate del sistema. All'interno della particolare area di query, abbiamo aggiunto la query "Aggiorna" di Linux con l'utilità "APT" e il privilegio "sudo" per aggiornare rapidamente il sistema che abbiamo. Ha richiesto alla nostra password utente per continuare questo processo in modo che il nostro sistema possa essere aggiornato correttamente.
Passaggio 02: Installa Python e PIP
Per l'uso di Deep Learning tramite Keras e Tensorflow, dobbiamo avere l'ultima versione di Python configurata sulla nostra macchina. Pertanto, iniziamo a installare il pacchetto aggiornato di Python insieme all'utilità "PIP" necessaria sul nostro sistema. Per questo, dobbiamo utilizzare nuovamente l'utilità "Apt" di Ubuntu 20.04 Sistema Linux nella query "Installa" sulla shell seguita dai nomi dei pacchetti da installare, i.e., Python3 e Python3-pip. Durante l'esecuzione di questa semplice query sull'area della console, il sistema inizierà a installare e configurare entrambi i pacchetti nel nostro sistema.
D'altra parte, se il tuo sistema ha una vecchia versione dell'utilità "PIP" per Python installata, dovresti aggiornarlo prima di andare avanti.
Dopo la riuscita configurazione di Python e la sua utilità "PIP", è tempo di aggiornare i setuptuds per Python per evitare problemi nel prossimo futuro. Quindi, abbiamo provato la query di installazione con l'opzione Utilità e UPGRAT "PIP3" per installare l'aggiornamento dei setUpTools, i.e., Strumenti di configurazione. Chiede la password corrente che abbiamo per il nostro sistema e l'abbiamo aggiunta.
Passaggio 03: Installa Tensorflow
Per la costruzione dell'apprendimento automatico e dei modelli neurali supervisionati, Tensorflow è il pacchetto di matematica simbolico più noto. Dopo aver esaminato le installazioni, abbiamo eseguito la stessa query di installazione "PIP3" seguita dal nome del pacchetto "TensorFlow".
Altre utility relative al flusso di tensor devono essere completamente installate sul sistema. Queste utility saranno installate insieme al Tensorflow e potrebbero richiedere fino a 10 o più minuti.
Passaggio 04: installa pacchetti essenziali
Dopo la fruttuosa configurazione di Tensorflow in Ubuntu 20.04 Sistema, dobbiamo anche configurare alcuni pacchetti di build insieme ad altre utility come "Git" e "Cmake". Provando lo stesso strumento "Apt", abbiamo installato molti dei pacchetti necessari, come mostrato di seguito:
Questo passaggio sta prendendo più attenzione confermando questa installazione. Tocca "Y" e continua.
Passaggio 05: creare un ambiente virtuale
Dopo le installazioni necessarie, è tempo di creare un ambiente virtuale. Pertanto, dobbiamo utilizzare l'utilità Python3 con l'opzione "-m" per creare l'ambiente virtuale "Kerasenv" tramite la variabile "VENV". La query "LS" mostra che l'ambiente è creato.
Ora, dobbiamo spostarci all'interno dell'ambiente virtuale della cartella Keras. Quindi, abbiamo usato l'istruzione "CD" insieme al nome di una cartella dell'ambiente virtuale. Successivamente, ci siamo spostati all'interno della cartella "bin" di questo ambiente virtuale ed elencato il suo sottomarino. Per attivare questo ambiente Python, abbiamo provato l'istruzione "sorgente" nella sua area di query insieme al file "attiva". L'ambiente virtuale viene attivato con il nome "Kerasenv".
Passaggio 06: Installa le librerie Python
Dopo aver impostato correttamente l'ambiente virtuale Python, è necessario installare tutte le librerie Python richieste prima dell'installazione di Keras. Pertanto, abbiamo installato prima la biblioteca di Panda nello stesso ambiente virtuale utilizzando il pacchetto "PIP" di Python.
Il sistema inizierà a configurarlo all'interno dell'ambiente virtuale di Python, come mostrato nell'immagine:
Dopo aver installato la libreria dei Pandas, prova a installare la libreria numpy utilizzando il seguente metodo:
In un modo molto simile, installa la biblioteca Scipy di Python nello stesso ambiente.
Ora installa la libreria Matplotlib di Python nell'ambiente.
Python utilizza algoritmi di clustering e regressione nell'apprendimento automatico per eseguire modelli di rete neurale. Per questo, ha la libreria di apprendimento Sci-Kit che stiamo installando con l'utilità "PIP" insieme all'opzione "-u" per configurare anche i pacchetti richiesti.
L'elaborazione dell'installazione della libreria Scikit è stata mostrata di seguito:
Per la visualizzazione in Deep Learning, abbiamo bisogno di installare la Biblioteca Seaborn di Python. Pertanto, lo abbiamo installato nello stesso ambiente con la query "Installa".
Passaggio 07: Installa la libreria Keras
Dopo l'installazione di tutte le librerie prerequisiti necessarie di Python, possiamo finalmente installare Keras all'interno dell'ambiente virtuale di Python. L'utilità "PIP" verrà utilizzata per questo scopo all'interno della nostra query "installa" con il nome del modulo, i.e., "Keras". Se il sistema mostra che il suo requisito è già soddisfatto, ciò significa che è già installato e configurato.
Se non è già installato, questa query inizierà a scaricarlo e configurarla nell'ambiente virtuale senza un ritardo di un secondo e l'elaborazione verrebbe visualizzata, come di seguito:
Dopo la completa configurazione e l'installazione della libreria "Keras" sull'ambiente virtuale, è tempo di mostrare le informazioni complete riguardo alla shell tramite la query "Pip show". L'esecuzione di questa query "show" ha presentato la versione di Keras installata nel nostro ambiente virtuale di Python, il suo nome, il suo riepilogo, la sua homepage web, l'autore, l'e -mail dell'autore, la licenza, la posizione che affronta e molti più come presentato di seguito:
Dopo le migliori installazioni delle librerie di Keras e Tensorflow di Python, dobbiamo lasciare l'ambiente virtuale. Per questo, prova la query "disattiva" sul guscio e smettila.
Passaggio 08: Installa Anaconda Cloud
Python ha un cloud chiamato "Anaconda" che è necessario per costruire esempi di rete neurale in Python. Pertanto, abbiamo scaricato il suo file di esecuzione nel nostro sistema.
Questo file è risieduto nella cartella casa corrente della macchina Linux secondo la query "LS". Devi assicurarti prima che sia il checksum, io.e., Se è completamente corretto o no tramite la query sha256sum.
Successivamente, dobbiamo installare il file bash scaricato di Anaconda nel nostro sistema utilizzando l'istruzione "Bash" e il nome del file sulla stessa console. Ci ha chiesto di rivedere l'accordo di licenza prima dell'installazione. Quindi, abbiamo toccato "Enter" per continuare.
Dopo aver esaminato il suo accordo di licenza, ci chiede di toccare "sì" se siamo d'accordo con i termini. Devi premere INVIO per continuare a installarlo nello stesso posto o scrivere il percorso della directory in cui si desidera installarlo. Altrimenti, utilizzare "CTRL-C" per annullare l'installazione.
Verrà in questo processo il lungo elenco di pacchetti che verranno installati. Dopo alcune esecuzione delle transazioni, inizierà a installare i pacchetti.
Dopo un po ', l'Anaconda è stata installata con successo con i suoi pacchetti aggiuntivi.
È necessario eseguire il file "Attiva" dalla cartella Anaconda tramite la query "sorgente" come root.
Prova a lanciare l'Anaconda Navigator che impiega la seguente query.
Per creare e lavorare sul nuovo ambiente Conda, prova l'opzione "Conda Crea" con l'opzione Nome seguita dal nuovo nome dell'ambiente, I.e., Pycpu.
Questo processo richiede la nostra conferma sulla creazione del nuovo ambiente. Tocca "Y".
Per attivare ed eseguire l'ambiente di recente condotto, usa la query "Conda Activate" con il nome del tuo nuovo ambiente, io.e., L'ambiente PYCPU è ora attivato.
Passaggio 09: Installa Spyder IDE
L'IDE Spyder deve essere installato all'interno di questo ambiente per l'esecuzione dei programmi Python. Per questo, abbiamo provato la query di installazione di Conda nella shell dell'ambiente PYCPU con la parola chiave "Spyder".
Tocca "Y" per continuare a installare Spyder.
Passaggio 10: Installa Pandas e Keras Library
Dopo l'installazione di Spyder, installa la libreria di Python di Panda in un ambiente Anaconda utilizzando la domanda di installazione di Conda con l'opzione -c.
Ancora una volta, premi il pulsante "Y" per procedere.
Dopo la corretta configurazione di panda, installare la libreria Keras con la stessa query.
Procedere dopo aver fatto clic sul pulsante "Y".
È possibile lanciare l'IDE Spyder all'interno della console ambientale corrente Anaconda come segue:
L'IDE SPYDER si è preparato al lancio.
La cartella nascosta ".Keras ӏ stato situato nella directory della casa. Unghatlo e aprire i suoi "Keras.File JSON "per aggiungere le seguenti configurazioni.
Imposta Keras e Tensorflow su Windows
Per impostare Keras e Tensorflow in un ambiente di Windows, è necessario assicurarsi che la lingua Python insieme alla sua libreria "PIP" e Anaconda Navigator sia già impostata su di esso. Dopo averlo impostato, dovresti aprirlo dall'area di ricerca e spostarlo all'interno della scheda "ambienti". In questa scheda, troverai il nome dell'ambiente che stai attualmente lavorando in i.e., base. Nell'area qui sotto, troverai la seguente scheda. Tocca l'opzione "Crea".
Qui, devi creare un nuovo nome ambientale "Tensorflow", i.e., sono attualmente all'interno dell'ambiente di base. Seleziona l'ultima versione di Python da utilizzare e tocca il pulsante "Crea" da portare avanti.
Vedrai che l'ambiente ha iniziato a caricare.
Dopo un po ', l'ambiente Tensorflow viene completamente installato.
Dalla sua area più a sinistra, puoi vedere tutte le librerie e i moduli installati e disponibili per Python, come presentato di seguito:
Ora, dobbiamo installare la libreria di backend di Tensorflow di Python usando quest'area. Nella barra di ricerca, scrivi "Tensorflow" e contrassegna lo stesso pacchetto di casi dall'elenco mostrato per installarlo. Tocca il pulsante "Applica" per procedere con l'installazione di Tensorflow insieme ai suoi sotto-moduli come "Keras".
Ha iniziato a funzionare e configurare il Tensorflow sul nostro ambiente Anaconda.
Mentre l'installazione visualizzerà l'elenco dei sotto-pacchetti che verranno installati sull'ambiente Anaconda. Pat il pulsante "Applica" e attendi un po 'fino al termine.
Dopo un po ', troverai tutti i pacchetti installati negli stessi moduli. Puoi vedere che la libreria Keras è stata installata con altri pacchetti e non dobbiamo installarla ora.
Dalla barra di ricerca di Windows, cerca la parola chiave "jupyter". L'applicazione denominata "Jupyter Notebook (TensorFlow)" sarebbe mostrata insieme ad altri. Tocca su di esso per avviare il taccuino Jupyter con il backend Tensorflow abilitato. Crea un nuovo file Python e inizia a funzionare.
Deep Learning tramite Keras
Deep Learning include l'analisi strato per strato dell'assunzione, con ogni livello che estrae gradualmente i dettagli di livello avanzato dall'input. Un framework completo è fornito da Keras per formare qualsiasi tipo di rete neurale. Sia creativo che incredibilmente semplice da capire, Keras. Abilita modelli di rete neurale che vanno dal complesso più ingenuo al più grande e supremo.
Rete neurale artificiale (ANN)
La metodologia della "rete neurale artificiale" (ANN) sembra essere il metodo più utilizzato e fondamentale di apprendimento profondo. Prendono i loro spunti dalla mente umana, la componente naturale più complicata del nostro corpo, che funge da loro modello. Oltre 90 miliardi di cellule microscopiche chiamate "neuroni" costituiscono il cervello di un individuo. Assoni e dendriti sono tipi di fibre nervose che collegano i neuroni insieme. La funzione principale di un assone è di inviare dati da un neurone collegato al successivo. Per maggiori informazioni, cerca dal motore di ricerca di Google.
Architettura Keras
L'architettura API Keras è stata classificata in tre parti principali elencate di seguito. Prendiamo una maschera per ognuno distintamente.
- Modello
- Strato
- Moduli core
Modello Keras
Il modello Keras è costituito esattamente di due tipi, io.e., API sequenziale e funzionale.
Modello sequenziale
Fondamentalmente, un modello sequenziale è una compilazione cronologica di strati di Keras. Il modello sequenziale semplice e semplicistico può descrivere quasi tutte le reti neurali che sono attualmente in uso. Un modello personalizzato può essere realizzato utilizzando la classe del modello che rivela il modello sequenziale. L'approccio di sotto-classing può essere utilizzato per costruire un modello sofisticato. La dimostrazione del modello sequenziale è stata presentata di seguito.
Aggiungi i livelli
Lo script è stato avviato dall'importazione di modalità sequenziale tramite i Keras.Modelli e l'altra linea hanno creato un modello sequenziale. Successivamente, l'importazione del livello denso crea un livello di input e aggiunge un livello di input a un modello. Il livello denso nascosto è stato creato e aggiunto al modello e lo stesso è stato eseguito per il livello denso di output.
Accedi al modello
Puoi ottenere informazioni sui livelli del modello, i dati di input che ha utilizzato e i suoi dati di output. Il modello.La funzione dei livelli consente di accedere a tutti i livelli. Il modello.Gli input mostrerebbero i tensori di input e il modello.L'output visualizzerà i tensori di output.
Serializzare il modello
È facile restituire il modello utilizzato nello script come oggetto o JSON. Ad esempio, la funzione get_config () produce il modello come entità/oggetto. La funzione from_config () crea un nuovo modello usando l'oggetto come valore parametrico.
Puoi anche cambiare il tuo modello in JSON usando la funzione To_json ().
Riepilogo del modello
Per ottenere l'intero riepilogo per quanto riguarda i livelli utilizzati all'interno del modello insieme ad alcune informazioni aggiuntive, chiamare la funzione Riepilogo ().
Allena e prevedi il modello
Per addestrare e prevedere, dovremmo utilizzare la funzione di compilazione, adattarsi alla funzione, valutare la funzione e prevedere la funzione al riguardo.
Strati di Keras
Ogni livello di input, nascosto e di resa nel modello suggerito di reti neurali corrisponde a un livello di Keras diverso nel modello reale. Qualsiasi sofisticata rete neurale può essere rapidamente sviluppata utilizzando molti strati pre-costruiti della libreria Keras. Ci sono diversi livelli di Keras che abbiamo, io.e., strati di base, strati di raggruppamento, strati ricorrenti e strati di convoluzione. Puoi studiarli cercando sul web. Le prime due righe hanno importato la modalità sequenziale, denso, attivazione e strato di abbandono.
Abbiamo provato l'API sequenziale () per la creazione di un modello sequenziale di abbandono. Lanciando il modello di attivazione "Relu" abbiamo creato uno strato denso tramite l'API "densa". Per soddisfare l'eccesso di adattamento dello strato denso, abbiamo usato l'API DROOT (), i.e., Layering di abbandono tramite dropout () funzione. Dopo questo, abbiamo usato uno strato più denso qui con il modello di attivazione "Relu". Per gestire gli strati densi dall'eccessivo adattamento, dobbiamo utilizzare i livelli di abbandono. Alla fine, abbiamo lanciato i nostri strati densi finali usando il modello di attivazione del tipo "softmax".
Hai mai eseguito la stratificazione durante la cucina? In tal caso, questo concetto non sarebbe difficile da capire. Il risultato di un livello fungerà da dati di input per il livello successivo. Ecco le cose di base necessarie per costruire un livello completamente nuovo:
- Forma dei dati di input
- Neuroni/unità totali in uno strato
- Inizializzatori
- Regolarizzatori
- Vincoli
- Attivazioni
Forma dei dati di input
All'interno del linguaggio Python, ogni tipo di input è stato convertito in una serie di numeri interi e quindi aggiunto al modello di algoritmo. All'interno di Python, dobbiamo specificare la forma di input per ottenere l'output secondo il nostro requisito. Nei seguenti esempi, abbiamo specificato la forma di input (3,3), i.e., 3 righe e 3 colonne. L'output ha visualizzato la matrice.
Inizializzatori
Il modulo inizializzatore dei livelli di Keras ci fornisce molte funzioni per specificare un peso specifico per i dati di input. Ad esempio, la funzione zeros () specifica 0 per tutti, quelli () specificherebbero per tutti e la funzione costante () specificherà un valore costante specificato da un utente per tutti e altro ancora. Per una migliore comprensione, abbiamo usato la funzione Identity () per generare una matrice di identità. Il resto delle funzioni può essere cercato anche dal motore di ricerca.
Vincoli
Esistono diverse funzioni di vincolo disponibili per applicare vincoli sul parametro "peso" del livello, i.e., Non negativo, una norma unitaria, max norma, minmaxnorm e molti altri. All'interno della seguente illustrazione, abbiamo applicato la norma di vincolo inferiore o uguale al peso. Il parametro "max_value" è il limite superiore del vincolo da applicare e l'asse è la dimensione su cui sarebbe applicato il vincolo, i.e., Dimensione 1.
Regolarizzatori
Durante l'ottimizzazione, impone varie cariche sulla proprietà del livello. Ha anche trovato alcune funzioni per farlo, io.e., Regolarizer L1, regolarizer L2 e regolarizer "Li e L2". Ecco l'illustrazione più semplice della funzione di regolarizer L1:
Attivazioni
Una funzione unica chiamata funzione di attivazione viene utilizzata per determinare se un neurone particolare è attivo o no. La funzione di attivazione trasforma i dati in arrivo in modo complesso, il che aiuta i neuroni a studiare in modo più efficace. Ecco diversi metodi di attivazione presentati negli esempi forniti di seguito:
Moduli Keras
Come sappiamo che i moduli di programmazione di solito contengono funzioni, classi e variabili da utilizzare per scopi diversi e specifici. Proprio così, la biblioteca Keras di Python contiene molti moduli in esso. Puoi ottenere tutte le conoscenze richieste sui moduli Keras dal Web.
Backend
Uno dei suoi moduli più noti e usati è il modulo "backend" che è stato progettato per utilizzare le librerie back-end di Python come Tensorflow e Theano. Usando il modulo back -end, possiamo utilizzare quante più funzioni back -end dal Tensorflow e Theano Library. Per utilizzare il modulo della libreria backend, dobbiamo specificare la libreria di backend da utilizzare nel file di configurazione “Keras.JSON, che abbiamo creato nel nascosto .cartella Keras. Per impostazione predefinita, il backend è stato specificato come "tensorflow", ma puoi cambiarlo anche in qualche altro, io.e., Theano o cntk.
Nel nostro esempio, useremo la libreria Tensorflow come backend. Per caricare le configurazioni del backend dai Keras.File JSON della cartella "Keras" di root, usa:
- da Keras Import Backend come k
Dopo aver importato con successo il backend dai Keras.File JSON, è tempo di ottenere le informazioni sul back -end utilizzando la variabile "k" con la variabile da recuperare. Innanzitutto, abbiamo preso il nome di un backend che abbiamo usato e già importato usando la funzione "Backend ()". Restituisce il "Tensorflow" come valore backend. Per ottenere il valore float del backend, abbiamo chiamato la funzione floatx () tramite l'oggetto variabile "k" di Keras. Sta dimostrando che abbiamo usato il valore float32.
Per ottenere il formato dei dati dell'immagine, utilizzare la funzione Image_data_format () con la variabile "k". Usandolo, mostra che il nostro backend ha utilizzato il formato dei dati delle immagini "Cannali_last". Per ottenere la potenza esponente per il backend, chiamare la funzione Epsilon () con la variabile "K". Restituisce che il backend utilizzerà la potenza esponenziale di "07". Riguarda il recupero delle informazioni sul backend.
Funzione get_uid ()
È ora di dare un'occhiata ad alcune funzioni back -end di Tensorflow per comprenderne la funzionalità. Una delle sue funzioni di backend più utilizzate “Get_uid () che viene utilizzata per identificare il grafico predefinito che abbiamo utilizzato. Usandolo con il parametro prefix = "Resterne" 1 ", i.e., Secondo l'uso. Ancora una volta, usandolo restituirebbe "2" come lo abbiamo chiamato di nuovo e il valore del grafico è stato incrementato. Dopo aver utilizzato la funzione "reset_uids", il valore dell'ID utente grafico verrebbe ripristinato a 0. Quindi, usare la funzione get_uid () di nuovo la incremento di 1.
Funzione di segnaposto ()
Il tensore ha utilizzato la funzione segnaposto () per contenere diverse forme dimensionali. Ad esempio, all'interno della seguente illustrazione, l'abbiamo utilizzata per contenere l'immagine 3-D in tensore tramite la variabile Keras "K" e salvarla in un'altra variabile "D". L'output di "d" variabile mostra le proprietà di una forma utilizzata all'interno del segnaposto.
La funzione "int_shape ()" viene utilizzata per visualizzare la forma di un valore salvato nel segnaposto "D".
Funzione dot ()
Hai mai moltiplicato due vettori? In tal caso, non sarà difficile per te moltiplicare due tensori. Per questo, la libreria backend ha inventato la funzione "dot". Innanzitutto, per contenere le due diverse forme, abbiamo usato i valori della forma nella funzione segnaposto () nelle prime 2 righe per creare due titolari "X" e "Y". La funzione Dot () ha portato i titolari di "X" e "Y" per moltiplicare entrambi i tensori e salvare il risultato in un'altra variabile "Z". Usando il tensore "Z" per la stampa, ha visualizzato la forma del tensore risultante moltiplicata (1, 5) sullo schermo.
One () funzione
La funzione di quella () del modulo backend è stata nota per inizializzare tutti i valori di una forma particolare a 1. Ad esempio, abbiamo usato la funzione di One () sulla forma del tensore (3,3) e salvando il risultato nella variabile "V". La funzione Valuta () è gettata qui per valutare il valore di una variabile "V" e visualizzare nell'ambiente Python. In cambio, ha convertito la forma (3,3) in una matrice di array di tutti con il tipo di dati Float32.
Funzione batch_dot ()
Il batch tensore specificherebbe i campioni totali da ordinare prima di aggiornare un modello. La funzione batch_dot () del backend di TensorFlow viene utilizzata principalmente per scoprire il risultato di moltiplicazione di due diversi dati batch. Pertanto, abbiamo creato due variabili tensori V1 e V2 e abbiamo utilizzato la funzione input () per salvarle in V1 e V2 come input. Dopodiché, abbiamo provato la funzione batch_dot () su entrambe le variabili tensori, V1 e V2, e il valore risultante sarebbe salvato a un'altra variabile "V3". Sulla stampa della variabile V3, abbiamo trovato la forma risultante (2,2) in cambio.
Funzione variabile
Se hai mai lavorato su qualsiasi altra lingua, potresti aver inizializzato molte variabili con la parola chiave "var" o senza di essa. Molte volte, potresti aver inizializzato le variabili con i loro tipi di dati come intero, stringa o carattere. All'interno della libreria Python Keras, possiamo creare qualsiasi variabile utilizzando la funzione variabile () su alcuni dati di tensore sotto forma di campioni.
All'interno della seguente immagine, abbiamo creato una variabile "D" aggiungendo i dati di due elenco in una funzione variabile () con l'oggetto Keras "K". Dopo aver aggiunto questa variabile, abbiamo chiamato la funzione Transpose () su questa variabile "D" per scoprire la trasposizione di un dati di esempio al suo interno tramite l'oggetto Keras "K". La trasposizione risultante verrebbe salvata su una "val" variabile. La dichiarazione di stampa del linguaggio Python è stata utilizzata qui per stampare il valore della variabile risultante "Val". L'istruzione di stampa ha visualizzato la scelta della funzione che abbiamo applicato alla variabile "D" e al numero totale di elementi in ciascun elenco.
Dopo questo, abbiamo provato la funzione "Eval" sulla variabile "Val" per ottenere la trasposizione dei campioni aggiunti alla variabile "D" e la funzione di stampa la stava visualizzando. Puoi vedere la trasposizione di due elenchi nell'output.
L'illustrazione del codice precedente è stata ottenuta mediante l'uso di semplici funzioni di Python senza importare una particolare libreria Python. La "trasposizione" di due set di dati può essere trovata utilizzando gli array numpy. Per questo, dobbiamo importare la libreria Numpy come "N" all'inizio. Il formato di base è lo stesso, ma dobbiamo inizializzare il set di dati di forma con la parola chiave "array" invece di utilizzare la parola chiave "variabile". L'array numpy del campione deve essere mantenuto alla variabile "D". Lo stesso oggetto numpy "N" viene utilizzato per chiamare la funzione Transpose () sulla variabile "D" e salva il suo risultato nella variabile "Val".
L'istruzione di stampa ha chiamato la variabile "Val" in essa per visualizzare il suo tensore trasparente. Puoi vedere, per visualizzare il valore trasposto risultante della variabile "Val", non abbiamo bisogno della funzione "Eval" qui. Ora, abbiamo usato la funzione variabile con l'argomento "D" e abbiamo salvato il risultato alla variabile "Z". Dopo aver provato l'istruzione di stampa aggiungendo il valore dell'argomento "z" in essa, ha visualizzato l'output nello stesso formato precedente che abbiamo provato nell'esempio della variabile sopra.
Funzione is_sparse ()
La parola "sparsa" nel tensore viene utilizzata per un tensore sparso contenente voci con zeri principalmente. All'interno di questo esempio, utilizzeremo la funzione IS_SParse () del modulo backend per verificare se il tensore ha la maggior parte degli zeri o no.
Innanzitutto, abbiamo chiamato la funzione segnaposto () per mantenere la forma del tensore (3,3) insieme all'argomento sparso impostato su True. Questo valore di segnaposto sarebbe mantenuto alla mutabile "x" e visualizzato. L'output ha visualizzato le informazioni relative alla variabile segnaposto "X".
Ad esempio, il suo tipo di dati, la forma e la funzione sono applicati ad esso. Dopo questo, abbiamo provato l'istruzione di stampa ancora una volta chiamando la funzione is_sparse () in essa. Questa funzione ha preso la variabile "x" come argomento per visualizzare se il tensore "x" è scarso o no. L'output viene visualizzato "vero".
Funzione to_dense ()
Si dice che il tensore denso sia quello che ha utilizzato il blocco cronologico della memoria per archiviare le informazioni in modo adiacente e rappresentare anche i valori delle informazioni. La funzione "to_dense ()" del modulo backend ci consente di convertire il tensore sparso in un tensore denso. Quindi, stiamo prendendo la stessa funzione di segnaposto per aggiungere il tensore a "X" variabile e questo tensore è stato impostato su "Sparse".
La funzione "to_dense ()" viene applicata alla variabile del tensore densa "x", i.e., Per convertirlo in un tensore denso e salvarlo in un'altra variabile "res". Ora, la "res" è un tensore denso stesso. L'istruzione di stampa è stata lanciata per stampare la variabile "res". L'uso delle istruzioni di stampa per la variabile "Res" ha visualizzato le informazioni relative alla variabile convertita "Res", i.e., convertito convertitamente sparsi in denso e molto di più.
Quindi, un'altra funzione di stampa viene chiamata utilizzando la funzione IS_SParse () in essa per verificare se la variabile "res" è scarsa o meno. L'output ha dimostrato che la "res" variabile non è scarsa, i.e., come l'abbiamo già convertito in un tensore "denso".
Funzione random_uniform_variable ()
La funzione Random_Uniform_variable () nel modulo backend Keras è specificamente progettata per l'inizializzazione di un tensore tramite la distribuzione uniforme. Ci vogliono un totale di tre argomenti. Il primo argomento "forma" viene utilizzato per definire le righe e le colonne della forma all'interno della forma della tupla. Se hai fatto matematica, potresti aver imparato il concetto di deviazione media e standard.
Nel metodo random_uniform_variable (), i due argomenti successivi sono la deviazione media e tipica da una distribuzione uniforme. All'interno di questa illustrazione, abbiamo inizializzato due tensori “x” e “y” usando la distribuzione uniforme standard tramite la funzione random_uniform_variable (). Entrambi i tensori contengono diversi formati di forma, i.e., righe e colonne con la stessa deviazione media e standard, i.e., basso = 0 e alto = 1.
Dopo questo, stiamo lanciando la funzione "punto" prendendo i tensori "x" e "y" per la moltiplicazione. Il risultato di questa moltiplicazione sarebbe salvato alla variabile "Z". Alla fine, l'int_shape () è un must da usare per visualizzare la forma di un tensore risultante "Z". L'uscita mostra il tensore (2,2).
Utils
Se vuoi utilizzare alcune delle funzioni molto utili dal concetto di apprendimento profondo di Python, è necessario utilizzare il modulo Utils della libreria Keras nei tuoi script. Ad esempio, se si desidera visualizzare i tuoi dati in formato HDF5Matrix, è necessario importare la classe HDF5Matrix e utilizzare la sua funzione HDF5Matrix nello script.
Funzione to_categorical ()
Questa funzione consente di modificare un vettore di classe in una matrice, i.e., Matrix di classe binaria. Diciamo, abbiamo importato la funzione To_Categorical () dal modulo Utils e inizializzato un vettore "A". Il vettore "A" è stato passato alla funzione To_Categorical (). È stata visualizzata la matrice binaria per questo vettore di classe "A".
funzione print_summary ()
Per stampare il riassunto di un modello che abbiamo lanciato nel nostro ambiente, è stata utilizzata la funzione print_summary.
funzione plot_model ()
La funzione Plot_Model () indica il modello in un formato punto e ti consente di salvarlo su un documento.
Conclusione
Per riassumere, possiamo dire che la lingua Python è una lingua necessaria per l'era di oggi in quanto tutto sta diventando veloce e la tecnologia si è evoluta così follemente veloce. Durante questa linea guida per l'apprendimento, abbiamo avuto l'uso della Biblioteca Keras di Python in Deep Learning e Artificial Neural Networks. Per questo, abbiamo anche attraversato l'importanza e l'uso della sua biblioteca di backend "Tensorflow" per ottenere una chiara comprensione. Inoltre, abbiamo discusso e spiegato ogni configurazione richiesta per impostare l'ambiente Keras e Anaconda a Python all'interno di Ubuntu 20.04 Sistema operativo Linux. Dopo questo, abbiamo discusso a fondo i modelli, i livelli e i moduli di Keras uno per uno insieme alle loro funzioni più utilizzate. Per la dimostrazione del modello API della funzione, verificare la documentazione ufficiale.