Что вы узнаете?
- Введение в Керас
- Пример кода, объясняющий Керас
Введение в Керас
Keras - это среда глубокого обучения для Python, которая обеспечивает удобный способ определения и обучения практически любой модели глубокого обучения. Keras - это высокоуровневый API нейронных сетей, написанный на Python, который может работать поверх Tensorflow, Theano и CNTK. Он был разработан для быстрого экспериментирования.
Умение переходить от идеи к результату с минимально возможной задержкой - ключ к хорошему исследованию.
Керас имеет следующие особенности:
- Позволяет легко и быстро создавать прототипы
- Бесперебойная работа на ЦП и ГП
- Поддерживает как сверточные сети (для компьютерного зрения), так и повторяющиеся сети (для последовательностей и временных рядов), а также их комбинацию.
- Он поддерживает произвольные сетевые архитектуры: модели с множеством входов и выходов, совместное использование слоев, совместное использование моделей и так далее. Это означает, что Keras подходит для построения моделей глубокого обучения, от генеративных состязательных сетей до нейронной машины Тьюринга.
Keras совместим с версиями Python от 2.7 до 3.6 до настоящего времени.
Keras используют около 200 000 пользователей, от ученых-исследователей и инженеров в стартапах и крупных компаниях до аспирантов и любителей. Keras используется в Google, Netflix, Uber, Microsoft, Square и многих стартапах, работающих над широким спектром задач машинного обучения.
Керас рекомендует пользователям переключиться на tf.keras в Tensorflow 2.0, которые используют многобэкэнд-керасы с бэкэндом тензорного потока.
Руководящие принципы
- Удобство для пользователя
- Модульность
- Легкая расширяемость
- Работа с Python
Keras не обрабатывает низкоуровневые операции, такие как манипуляции с тензором и дифференцирование. Вместо этого он полагается на специализированную, хорошо оптимизированную тензорную библиотеку, которая служит внутренним движком Keras. Мы можем использовать несколько бэкэнд-движков для keras, и в настоящее время существуют три бэкэнд-реализации: бэкэнд Tensorflow, бэкэнд Theano и бэкэнд Microsoft Cognitive Toolkit (CNTK).
Пример кода, объясняющий Керас
Установить Керас
pip install keras
Типичные рабочие процессы Keras выглядят так:
- Определите свои обучающие данные: входной тензор и целевой тензор
- Определите сеть слоев (или модель), которая сопоставляет входные данные с нашими целями.
- Настройте процесс обучения, выбрав функцию потерь, оптимизатор и некоторые показатели для мониторинга.
- Итерируйте данные обучения, вызывая метод fit () вашей модели.
Вы можете определить свою модель двумя способами:
- Последовательный класс: линейный набор слоев.
from keras import models from keras import layers model = models.Sequential() model.add(layers.Dense(32, activation='relu', input_shape=(784,))) model.add(layers.Dense(10, activation='softmax'))
- Функциональный API: ориентированные ациклические графики слоев
input_tensor = layers.Input(shape=(784,)) x = layers.Dense(32, activation='relu')(input_tensor) output_tensor = layers.Dense(10, activation='softmax')(x) model = models.Model(inputs=input_tensor, outputs=output_tensor)
Реализация функции потерь, оптимизатора и показателей
from keras import optimizers model.compile(optimizer=optimizers.RMSprop(lr=0.001), loss='mse', metrics=['accuracy'])
Наконец, передача входных и целевых тензоров
model.fit(input_tensor, target_tensor, batch_size=128, epochs=10)
Это основной обзор кераса, и мы будем делать больше руководств по керасу. Хотите узнать о нейронных сетях? , проверьте эту статью: