Tutorial de Keras
Keras
Entre os plugins mais eficazes e fáceis de usar para a construção de algoritmos de aprendizado profundo, há uma estrutura neural artificial elevada baseada em Python chamada Keras, que seria construída em cima de conhecidas estruturas de aprendizado profundo como Tensorflow ou CNTK. Para permitir uma exploração mais rápida utilizando redes neurais mais profundas, é projetado fácil de usar, extensível e adaptável. Ele lida com redes de feedforward e retrátil separadamente, bem como em combinação. Ele usa o pacote de back -end para abordar pequenas operações porque é incapaz de gerenciá -las. A implantação de keras, fundamentos de aprendizado profundo, estruturas de keras, camadas de keras, pacotes de keras e programação em tempo real será abordada nesta lição.
Configure as Keras no Linux
Etapa 01: Sistema de atualização
Antes de ter a demonstração completa do uso da biblioteca "Keras" do Python, temos que atualizar completamente nossa máquina Linux para facilitar a instalação adicional para instalações. Para esse fim, precisamos abrir rapidamente o aplicativo "console" das aplicações internas do sistema. Dentro da área de consulta específica, adicionamos a consulta de "atualização" do Linux com o utilitário "apt" e o privilégio "sudo" para atualizar rapidamente o sistema que temos. Exigiu que nossa senha de usuário continuasse esse processo para que nosso sistema possa ser atualizado corretamente.
Etapa 02: Instale o Python e o PIP
Para o uso de aprendizado profundo através de Keras e Tensorflow, devemos ter a mais recente versão do Python configurada em nossa máquina. Portanto, começamos a instalar o pacote atualizado do Python junto com o utilitário "pip" necessário em nosso sistema. Para isso, temos que utilizar novamente a utilidade “Apt” do Ubuntu 20.04 Sistema Linux na consulta "Instalação" no shell seguida pelos nomes dos pacotes a serem instalados, i I.e., Python3 e Python3-PIP. Na execução desta consulta simples na área do console, o sistema começará a instalar e configurar os dois pacotes em nosso sistema.
Por outro.
Após a configuração bem -sucedida do Python e seu utilitário "pip", é hora de atualizar o SetupTools for Python para evitar problemas no futuro próximo. Por isso, tentamos a consulta de instalação com a opção “PIP3” e -PGRADE para instalar a atualização dos setupTools, eu.e., Ferramentas de configuração. Ele pede a senha atual que temos para o nosso sistema, e nós a adicionamos.
Etapa 03: Instale o TensorFlow
Para construir aprendizado de máquina e modelos neurais supervisionados, o Tensorflow é o pacote de matemática simbólica mais conhecida. Depois de passar pelas instalações, estamos executando a mesma consulta de instalação "pip3" seguida pelo nome do pacote "tensorflow".
Outros utilitários relacionados ao tensorflow devem ser totalmente instalados no sistema. Esses utilitários serão instalados junto com o tensorflow, e pode levar até 10 minutos ou mais minutos.
Etapa 04: Instale pacotes essenciais
Após a configuração frutífera do tensorflow no Ubuntu 20.04 Sistema, também precisamos configurar alguns pacotes de construção junto com outros utilitários como "git" e "cmake". Ao tentar a mesma ferramenta "apt", instalamos muitos dos pacotes necessários, como mostrado abaixo:
Esta etapa está chamando a maior atenção confirmando esta instalação. Toque em "Y" e continue.
Etapa 05: Crie um ambiente virtual
Após as instalações necessárias, é hora de criar um ambiente virtual. Portanto, temos que usar o utilitário python3 com a opção "-m" para criar o ambiente virtual "Kerasenv" através da variável "venv". A consulta "LS" mostra que o ambiente é criado.
Agora, precisamos nos mover dentro do ambiente virtual da pasta Keras. Então, estamos usando a instrução "CD" junto com o nome de uma pasta de ambiente virtual. Depois disso, estamos nos movendo dentro da pasta "bin" deste ambiente virtual e listamos seu submarino. Para ativar esse ambiente Python, tentamos a instrução "fonte" em sua área de consulta junto com o arquivo "Ativar". O ambiente virtual é ativado com o nome "Kerasenv".
Etapa 06: Instale as bibliotecas Python
Depois de definir o ambiente virtual do Python com sucesso, você deve instalar todas as bibliotecas Python necessárias antes da instalação do Keras. Portanto, estamos instalando a biblioteca do panda primeiro no mesmo ambiente virtual usando o pacote "PIP" de Python.
O sistema começará a configurá -lo no ambiente virtual de Python, como mostrado na imagem:
Depois de instalar a biblioteca dos pandas, tente instalar a biblioteca Numpy usando o seguinte método:
De uma maneira muito semelhante, instale a biblioteca scipy de python no mesmo ambiente.
Agora, instale a Biblioteca Matplotlib de Python no ambiente.
O Python usa algoritmos de agrupamento e regressão no aprendizado de máquina para realizar modelos de rede neural. Para isso, ele tem a biblioteca Sci-kit Lear.
O processamento da instalação da biblioteca Scikit foi mostrado abaixo:
Para visualização em aprendizado profundo, precisamos que a Biblioteca Seaborn de Python seja instalada. Portanto, estamos instalando -o no mesmo ambiente com a consulta "instalar".
Etapa 07: Instale a biblioteca Keras
Após a instalação de todas as bibliotecas de pré -requisito necessárias do Python, podemos finalmente instalar Keras no ambiente virtual do Python. O utilitário "pip" será utilizado para esse fim em nossa consulta "instalar" com o nome do módulo, eu.e., “Keras”. Se o sistema mostrar que seu requisito já está satisfeito, isso significa que já está instalado e configurado.
Se ainda não estiver instalado, esta consulta começará a baixar e configurá -la no ambiente virtual sem um atraso de um segundo e o processamento será exibido, como abaixo:
Após a configuração e a instalação completas da biblioteca "Keras" no ambiente virtual, é hora de mostrar as informações completas sobre ela no shell através da consulta "pip show". A execução desta consulta "show" tem apresentado a versão do Keras instalada em nosso ambiente virtual de Python, seu nome, seu resumo, sua página inicial da web, autor, e -mail do autor, licença, o local que ele assume em nosso sistema e muitos mais conforme apresentado abaixo:
Após as melhores instalações das bibliotecas Keras e Tensorflow do Python, precisamos deixar o ambiente virtual. Para isso, experimente a consulta "desativada" na concha e saia.
Etapa 08: Instale a Cloud Anaconda
Python tem uma nuvem chamada "Anaconda" necessária para construir exemplos de rede neural em Python. Portanto, baixamos seu arquivo de execução em nosso sistema.
Este arquivo tem residido na pasta inicial atual da máquina Linux, conforme a consulta "LS". Você precisa ter certeza de que é soma de verificação primeiro, eu.e., Se estiver totalmente correto ou não através da consulta SHA256SUM.
Depois disso, precisamos instalar o arquivo Bash baixado do Anaconda em nosso sistema usando a instrução "Bash" e o nome do arquivo no mesmo console. Está nos pedindo para revisar o contrato de licença antes da instalação. Então, tocamos "Enter" para continuar.
Depois de passar por seu contrato de licença, ele nos pede para tocar "sim" se concordarmos com os termos. Você deve pressionar Enter para continuar instalando -o no mesmo local ou escrever o caminho para o diretório onde deseja instalá -lo. Caso contrário, use "Ctrl-C" para cancelar a instalação.
Ele estará exibindo a longa lista de pacotes que serão instalados neste processo. Após alguma execução de transações, começará a instalar os pacotes.
Depois de um tempo, o Anaconda foi instalado com sucesso com seus pacotes adicionais.
Você precisa executar o arquivo "Ativar" da pasta Anaconda através da consulta "fonte" como uma raiz.
Tente lançar o navegador da Anaconda que emprega a seguinte consulta.
Para criar e trabalhar no novo ambiente do CONDA, tente a instrução "coNA CREATE" com a opção de nome seguida pelo novo nome do ambiente, eu.e., Pycpu.
Este processo requer nossa confirmação sobre a criação do novo ambiente. Toque em "Y".
Para ativar e executar o ambiente de conda recém -fabricado, use a consulta "CONDA ATIVATE" com o nome do seu novo ambiente, eu.e., O ambiente Pycpu agora está ativado.
Etapa 09: Instale o Spyder IDE
O Spyder IDE deve ser instalado nesse ambiente para a execução de programas Python. Para isso, tentamos a consulta de instalação do CONDA no shell do ambiente Pycpu com a palavra -chave "Spyder".
Toque em "Y" para continuar instalando o Spyder.
Etapa 10: Instale a Biblioteca Pandas e Keras
Após a instalação do Spyder, instale a biblioteca de Python do Panda em um ambiente de Anaconda usando a consulta de instalação do CONDA com a opção -c.
Novamente, pressione o botão "Y" para prosseguir.
Após a configuração bem -sucedida dos pandas, instale a biblioteca Keras com a mesma consulta.
Prossiga depois de clicar no botão "Y".
Você pode iniciar o Spyder IDE no console de ambiente atual da Anaconda, da seguinte forma:
O Spyder IDE está se preparando para lançar.
A pasta oculta “.Keras ”está localizado no diretório doméstico. Unhe e abra suas “keras.arquivo json ”para adicionar as seguintes configurações.
Configure Keras e Tensorflow no Windows
Para configurar Keras e TensorFlow em um ambiente do Windows, você precisa garantir que a linguagem Python junto com sua biblioteca “PIP” e o Navigador Anaconda já esteja configurado. Depois de configurá -lo, você deve abri -lo na sua área de pesquisa e se mover na guia "Ambientes". Nesta guia, você encontrará o nome do ambiente em que está trabalhando atualmente.e., base. Na área abaixo, você encontrará a seguinte guia. Toque na opção "Criar".
Aqui, você tem que criar um novo nome de ambiente "tensorflow", eu.e., estão atualmente dentro do ambiente base. Selecione a versão mais recente do Python a ser usada e toque no botão "Criar" para continuar.
Você verá que o ambiente começou a carregar.
Depois de um tempo, o ambiente do tensorflow é totalmente instalado.
Na área mais à esquerda, você pode ver todas as bibliotecas e módulos instalados e disponíveis para Python, conforme apresentado abaixo:
Agora, precisamos instalar a Biblioteca de back -end do TensorFlow de Python usando esta área. Na barra de pesquisa, escreva "Tensorflow" e marque o mesmo pacote de casos da lista mostrada para instalá -la. Toque no botão "Aplicar" para prosseguir com a instalação do TensorFlow junto com seus sub-módulos como "Keras".
Começou a trabalhar e configurar o tensorflow em nosso ambiente de Anaconda.
Durante a instalação, ele exibirá a lista de sub-pacotes que serão instalados no ambiente da Anaconda. Pat o botão "Aplicar" e aguarde um pouco até que termine.
Depois de um tempo, você encontrará todos os pacotes instalados na mesma área de módulos. Você pode ver que a biblioteca Keras foi instalada com outros pacotes e não precisamos instalá -lo agora.
Na barra de pesquisa do Windows, pesquise a palavra -chave "Jupyter". O aplicativo chamado "Jupyter Notebook (Tensorflow)" seria mostrado junto com outros. Toque nele para lançar o notebook Jupyter com o back -end Tensorflow habilitado. Crie um novo arquivo python e comece a trabalhar.
Aprendizagem profunda via Keras
A aprendizagem profunda inclui análise de camada por camada da ingestão, com cada camada extraindo gradualmente detalhes de nível avançado da entrada. Uma estrutura completa é fornecida por Keras para formar qualquer tipo de rede neural. Criativo e incrivelmente simples de entender, Keras. Permite modelos de rede neural que variam do mais ingênuo ao maior e supremo complexo.
Rede Neural Artificial (Ann)
A metodologia “Rede Neural Artificial” (RNA) parece ser o método mais utilizado e fundamental de aprendizado profundo. Eles tiram suas pistas da mente humana, o componente mais complicado do nosso corpo, que serve como modelo. Mais de 90 bilhões de células microscópicas chamadas "neurônios" compõem o cérebro de um indivíduo. Axônios e dendritos são tipos de fibras nervosas que ligam os neurônios. A principal função de um axônio é enviar dados de um neurônio vinculado para o próximo. Para mais informações, pesquise no mecanismo de pesquisa do Google.
Arquitetura de Keras
A arquitetura da API Keras foi classificada em três peças principais listadas abaixo. Vamos tomar um disfarce de cada um distintamente.
- Modelo
- Camada
- Módulos principais
Modelo de Keras
O modelo Keras consiste em exatamente dois tipos, eu.e., API sequencial e funcional.
Modelo seqüencial
Fundamentalmente, um modelo seqüencial é uma compilação cronológica de camadas de Keras. O modelo seqüencial simples e simplista pode descrever quase todas as redes neurais que estão atualmente em uso. Um modelo personalizado pode ser feito usando a classe modelo que o modelo seqüencial revela. A abordagem de subclassificação pode ser usada para construir um modelo sofisticado de nosso próprio. A demonstração do modelo seqüencial foi apresentada abaixo.
Adicione camadas
O script foi iniciado a partir da importação do modo seqüencial via Keras.modelos e a outra linha tem sido criar um modelo seqüencial. Depois disso, a importação da camada densa cria uma camada de entrada e adiciona uma camada de entrada a um modelo. A camada densa oculta foi criada e adicionada ao modelo e o mesmo foi realizado para a camada densa de saída.
Acesse o modelo
Você pode obter informações sobre suas camadas de modelo, os dados de entrada que ele está usando e seus dados de saída. O modelo.A função de camadas permite acessar todas as camadas. O modelo.Entradas mostrariam tensores de entrada e modelo.A saída exibirá tensores de saída.
Serialize o modelo
É fácil devolver o modelo usado no script como objeto ou json. Por exemplo, a função get_config () produz o modelo como uma entidade/objeto. A função From_config () cria um novo modelo usando o objeto como um valor paramétrico.
Você também pode alterar seu modelo para JSON usando a função to_json ().
Resumo do modelo
Para obter todo o resumo sobre as camadas usadas dentro do modelo, juntamente com algumas informações adicionais, ligue para a função resumo ().
Treinar e prever o modelo
Para treinar e prever, devemos usar a função de compilação, ajustar a função, avaliar a função e prever a função nesse sentido.
Camadas de Keras
Todas as entradas, escondidas e camadas de rendimento no modelo sugerido de redes neurais corresponde a uma camada de Keras diferente no modelo real. Qualquer rede neural sofisticada pode ser desenvolvida rapidamente usando muitas camadas pré-construídas da biblioteca Keras. Existem diferentes camadas de Keras que temos, eu.e., camadas centrais, camadas de agrupamento, camadas recorrentes e camadas de convolução. Você pode estudá -los pesquisando na web. As duas primeiras linhas foram importando o modo seqüencial, denso, ativação e camada de abandono.
Temos experimentado a API sequencial () para criar um modelo sequencial de abandono. Ao eliminar o modelo de ativação "Relu", estamos criando uma camada densa através da API "densa". Para atender ao excesso da camada densa, estamos usando a API de abandono (), eu.e., Camadas de abandono através da função DROWOUT (). Depois disso, estamos usando uma camada mais densa aqui com o modelo de ativação "Relu". Para lidar com as densas camadas de excesso de ajuste, temos que usar as camadas de abandono. No final, estamos lançando nossas camadas densas finais usando o modelo de ativação do tipo "softmax".
Você já realizou camadas enquanto cozinha? Nesse caso, esse conceito não seria difícil para você entender. O resultado de um nível servirá como dados de entrada para a camada seguinte. Aqui estão as coisas básicas necessárias para construir uma camada totalmente nova:
- Formato de dados de entrada
- Neurônios/unidades totais em uma camada
- Inicializadores
- Regularizadores
- Restrições
- Ativações
Formato de dados de entrada
Na linguagem Python, todo tipo de entrada foi convertido em uma variedade de números inteiros e depois adicionado ao modelo de algoritmo. Dentro do Python, precisamos especificar a forma de entrada para obter a saída conforme nosso requisito. Nos exemplos a seguir, especificamos a forma de entrada (3,3), i.e., 3 linhas e 3 colunas. A saída está exibindo a matriz.
Inicializadores
O módulo inicializadores de camadas de Keras nos fornece muitas funções para especificar um peso específico para dados de entrada. Por exemplo, a função zeros () especifica 0 para todos, os () especificariam para todos, e a função constant () especificará um valor constante especificado agregado por um usuário para todos e mais. Para uma melhor compreensão, usamos a função de identidade () para gerar uma matriz de identidade. O restante das funções também pode ser pesquisado no mecanismo de pesquisa.
Restrições
Existem diferentes funções de restrição disponíveis para aplicar restrições no parâmetro de "peso" da camada, i i.e., não negativo, norma unitária, norma max, minmaxnorm e muito mais. Dentro da ilustração a seguir, aplicamos a norma de restrição menor ou igual ao peso. O parâmetro "max_value" é o limite superior da restrição a ser aplicado e o eixo é a dimensão na qual a restrição seria aplicada, i.e., dimensão 1.
Regularizadores
Ao longo da otimização, impõe várias cobranças na propriedade da camada. Também criou algumas funções para fazer isso, eu.e., L1 Legalizer, L2 regularizer e “Li e L2” regularizer. Aqui está a ilustração mais simples da função L1 regularizer:
Ativações
Uma função exclusiva chamada função de ativação é empregada para determinar se um neurônio específico está ativo ou não. A função de ativação transforma os dados recebidos de maneira complexa, o que ajuda os neurônios a estudar com mais eficácia. Aqui estão vários métodos de ativação apresentados nos exemplos fornecidos abaixo:
Módulos de Keras
Como sabemos, os módulos de programação geralmente contêm funções, classes e variáveis a serem usadas para fins diferentes e específicos. Assim, a biblioteca Keras de Python contém muitos módulos. Você pode obter todo o conhecimento necessário sobre os módulos Keras da web.
Processo interno
Um de seus módulos mais conhecidos e usados é o módulo "back-end" que foi projetado para usar as bibliotecas de back-end de Python como Tensorflow e Theano. Usando o módulo de back -end, podemos utilizar o maior número possível de funções de back -end da Biblioteca Tensorflow e Theano. Para usar o módulo da biblioteca de back -end, precisamos especificar a biblioteca de back -end para ser usada no arquivo de configuração “Keras.JSON, que criamos no oculto .pasta Keras. Por padrão, o back -end foi especificado como "tensorflow", mas você pode mudar para outro.e., Theano, ou cntk.
Dentro do nosso exemplo, usaremos a biblioteca Tensorflow como um back -end. Para carregar as configurações do back -end das Keras.Arquivo JSON da pasta root “Keras”, use:
- de Keras importar back -end como k
Depois de importar com sucesso o back -end das Keras.arquivo json, é hora de obter as informações de back -end usando a variável "k" com a variável a ser buscada. Primeiro, estamos buscando o nome de um back -end que estamos usando e já importados usando a função "back -end ()". Ele retorna o "tensorflow" como seu valor de back -end. Para obter o valor da flutuação do back -end, estamos chamando a função floatx () através do objeto variável "K" do Keras. Está mostrando que estamos usando o valor Float32.
Para obter o formato dos dados da imagem, use a função Image_Data_Format () com a variável "K". Ao usá -lo, mostra que nosso back -end está utilizando o formato de dados de imagem “canais_last”. Para obter a energia do expoente para o back -end, chame a função epsilon () com a variável "k". Retorna que o back -end usará o poder exponencial de "07". Isso é tudo sobre a busca de informações de back -end.
Função get_uid ()
É hora de dar uma olhada em algumas funções de back -end do tensorflow para entender sua funcionalidade. Uma de suas funções de back -end mais usadas “get_uid () função utilizada para identificar o gráfico padrão que estamos usando. Usando -o com o prefix = "Parâmetro retornaria" 1 ", eu.e., De acordo com o uso. Novamente, usá -lo retornaria "2" como estamos chamando novamente e o valor do gráfico foi incrementado. Depois de usar a função "Reset_uids", o valor do ID do usuário do gráfico seria redefinido para 0. Portanto, usar a função get_uid () mais uma vez o incrementaria em 1.
Função () função
O tensor está usando a função de espaço reservado () para manter diferentes formas dimensionais. Por exemplo, dentro da ilustração a seguir, estamos usando-a para manter a imagem 3D em tensor através da variável Keras "K" e salvá-la em outra variável "D". A saída da variável "d" está mostrando as propriedades de uma forma usada dentro do espaço reservado.
A função "int_shape ()" é usada para exibir a forma de um valor salvo no espaço reservado "d".
Função dot ()
Você já multiplicou dois vetores? Nesse caso, não será um desafio para você multiplicar dois tensores. Para isso, a biblioteca de back -end criou a função "Dot". Primeiro, para manter as duas formas diferentes, usamos os valores de forma na função de placeholder () nas duas primeiras linhas para criar dois titulares “X” e “Y”. A função DOT () tem tomado os titulares "X" e "Y" para multiplicar os tensores e salvar o resultado em outra variável "Z". Ao usar o tensor "Z" para impressão, ele exibiu a forma de tensor resultante multiplicada (1, 5) na tela.
Função ()
A função () do módulo de back -end é conhecida por inicializar todos os valores de uma forma particular para 1. Por exemplo, estamos usando a função () na forma do tensor (3,3) e salvando o resultado na variável "V". A função Eval () é eliminada aqui para avaliar o valor de uma variável "V" e exibir no ambiente Python. Em troca, ele converteu a forma (3,3) em uma matriz de matriz de todos com o tipo de dados float32.
Função batch_dot ()
O lote do tensor especificaria o total de amostras para classificar antes de atualizar um modelo. A função batch_dot () do back -end do tensorflow é usada principalmente para descobrir o resultado da multiplicação de dois dados de lote diferentes. Portanto, criamos duas variáveis tensoras v1 e v2 e usamos a função input () para salvá -las em V1 e V2 como entrada. Depois disso, estamos tentando a função Batch_Dot () nas variáveis tensoras, V1 e V2, e o valor resultante seria salvo para outra variável "V3". Ao imprimir a variável V3, encontramos a forma resultante (2,2) em troca.
Função variável
Se você já trabalhou em qualquer outro idioma, pode ter inicializado muitas variáveis com a palavra -chave "var" ou sem ele. Muitas vezes, você pode ter inicializado as variáveis com seus tipos de dados, como inteiro, string ou personagem. Na biblioteca Python Keras, podemos criar qualquer variável usando a função variável () em alguns dados tensores na forma de amostras.
Na imagem a seguir, criamos uma variável "D" adicionando a amostra dois dados da lista em uma função variável () com o objeto Keras "K". Depois de adicionar essa variável, chamamos a função transpose () nessa variável "d" para descobrir a transposição de uma amostra de dados nela através do objeto Keras "K". A transposição resultante seria salva para uma variável "val". A declaração de impressão da linguagem Python foi usada aqui para imprimir o valor da variável resultante "Val". A declaração de impressão está exibindo a escolha da função que aplicamos à variável "D" e ao número total de elementos em cada lista.
Depois disso, tentamos a função "avaliar" na variável "val" para obter a transposição das amostras adicionadas à variável "d" e a função de impressão estava exibindo -a. Você pode ver a transposição de duas listas na saída.
A ilustração de código anterior foi alcançada pelo uso de funções simples do Python sem importar nenhuma biblioteca em Python em particular. A "transposição" de dois conjuntos de dados pode ser encontrada usando as matrizes Numpy. Para isso, precisamos importar a biblioteca Numpy como "n" no início. O formato básico é o mesmo, mas precisamos inicializar o conjunto de dados de forma com a palavra -chave "Array" em vez de usar a palavra -chave "variável". A amostra Numpy Array deve ser mantida de volta à variável "D". O mesmo objeto Numpy "n" é usado para chamar a função transpose () na variável "d" e salvar seu resultado na variável "val".
A declaração de impressão está chamando a variável "val" para exibir seu tensor de transposição. Você pode ver, para exibir o valor transposto resultante da variável "val", não precisamos da função "avaliar" aqui. Agora, usamos a função variável com o argumento "d" e salvamos o resultado na variável "z". Depois de tentar a declaração de impressão adicionando o valor do argumento "Z", ele exibiu a saída no mesmo formato anterior que tentamos no exemplo da variável acima.
Função is_sparse ()
A palavra "esparsa" em tensor é usada para um tensor esparso contendo entradas com zeros principalmente. Neste exemplo, usaremos a função is_sparse () do módulo de back -end para verificar se o tensor tem a maioria dos zeros ou não.
Primeiro, estamos chamando a função de espaço reservado () para manter a forma do tensor (3,3) junto com o argumento escasso definido como true. Esse valor de espaço reservado seria mantido no “X” mutável e exibido. A saída está exibindo as informações sobre a variável de espaço reservado "x".
Por exemplo, seu tipo de dados, forma e função são aplicados a ele. Depois disso, tentamos a declaração de impressão mais uma vez chamando a função is_sparse (). Esta função tem tomado a variável "x" como seu argumento para mostrar se o tensor "x" é escasso ou não. A saída exibe "verdadeiro".
Função to_dense ()
Diz -se que o tensor denso é aquele que usou o bloco cronológico de memória para armazenar as informações de uma maneira adjacente e representar os valores da informação também. A função “to_dense ()” do módulo de back -end, vamos converter o tensor esparso em um tensor denso. Portanto, estamos tomando a mesma função de espaço reservado para adicionar o tensor à variável "x" e esse tensor foi definido como "esparso".
A função “to_dense ()” é aplicada à densa variável tensor “x”, eu.e., para convertê -lo em um tensor denso e salvá -lo em outra variável "res". Agora, o "res" é um tensor denso. A declaração de impressão foi eliminada para imprimir a variável "res". O uso de declarações de impressão para a variável "res" exibiu as informações sobre a variável convertida "res", i i.e., com sucesso convertido esparso a denso e muito mais.
Então, outra função de impressão é chamada usando a função is_sparse () para verificar se a variável "res" é escassa ou não. A saída está mostrando que a variável "res" não é escassa, eu.e., Como já o convertemos em um tensor "denso".
Random_uniform_variable () função
A função Random_uniform_variable () no módulo de back -end de Keras é projetada especificamente para a inicialização de um tensor por meio da distribuição uniforme. É preciso um total de três argumentos. O primeiro argumento "forma" é usado para definir as linhas e colunas da forma dentro da forma de tupla. Se você fez matemática, pode ter aprendido o conceito de desvio médio e padrão.
No método random_uniform_variable (), os próximos dois argumentos são o desvio médio e típico de uma distribuição uniforme. Dentro desta ilustração, inicializamos dois tensores "X" e "Y" usando a distribuição uniforme padrão por meio da função Random_uniform_variable (). Ambos os tensores contêm diferentes formatos de forma, eu.e., linhas e colunas com a mesma média e desvio padrão, eu.e., baixo = 0 e alto = 1.
Depois disso, estamos lançando a função "Dot", levando os tensores "X" e "Y" para multiplicação. O resultado dessa multiplicação seria salvo na variável "z". No final, o int_shape () é necessário usar para exibir a forma de um tensor resultante "z". A saída está mostrando o tensor (2,2).
Útil
Se você deseja usar algumas das funções muito úteis do conceito de aprendizado profundo de Python, você deve utilizar o módulo Utils da biblioteca Keras em seus scripts. Por exemplo, se você deseja exibir seus dados no formato HDF5Matrix, precisará importar a classe HDF5Matrix e usar sua função HDF5Matrix no script.
Função to_categorical ()
Esta função permite que você modifique um vetor de classe em uma matriz, eu.e., Matriz de classe binária. Digamos que importamos a função to_categorical () do módulo Utils e inicializamos um vetor "a". O vetor "A" foi passado para a função to_categorical (). A matriz binária para este vetor de classe “A” foi exibida.
Função print_summary ()
Para imprimir o resumo de um modelo que estamos lançando em nosso ambiente, a função print_summary foi usada.
função plot_model ()
A função plot_model () significa o modelo em um formato de ponto e permite salvá -lo em um documento.
Conclusão
Para resumir, podemos dizer que a linguagem Python é uma linguagem necessária para a era de hoje, pois tudo está ficando rápido e a tecnologia está evoluindo tão loucamente. Ao longo desta diretriz de aprendizagem, temos o uso da biblioteca Keras de Python em Deep Learning and Artificial Neural Networks. Para isso, também passamos pela importância e uso de sua biblioteca de back -end "tensorflow" para obter um entendimento claro. Além disso, discutimos e explicamos todas as configurações necessárias para configurar o ambiente Keras e Anaconda em Python no Ubuntu 20.04 Sistema operacional Linux. Depois disso, discutimos minuciosamente os modelos, camadas e módulos Keras, um por um, juntamente com suas funções mais usadas. Para a demonstração do modelo da API da função, verifique a documentação oficial.