Tutorial de Keras
Keras
Entre los complementos más efectivos y fáciles de usar para construir algoritmos de aprendizaje profundo se encuentra un marco neuronal artificial elevado basado en Python llamado Keras, que se construiría en la parte superior de los conocidos marcos de aprendizaje profundo como Tensorflow o Cntk. Para habilitar una exploración más rápida utilizando redes neuronales más profundas, es diseñada fácil de usar, extensible y adaptable. Maneja redes de avance y retráctiles por separado, así como en combo. Utiliza el paquete de backend para abordar pequeñas operaciones porque no puede administrarlas. El despliegue de keras, los fundamentos del aprendizaje profundo, las estructuras de keras, las capas de keras, los paquetes de keras y la programación en tiempo real se cubrirán en esta lección.
Configurar keras en Linux
Paso 01: Sistema de actualización
Antes de tener la demostración completa del uso de la biblioteca "Keras" de Python, tenemos que actualizar completamente nuestra máquina Linux para facilitar más instalaciones. Para este propósito, tenemos que abrir rápidamente la aplicación "consola" de las aplicaciones incorporadas del sistema. Dentro del área de consulta en particular, hemos agregado la consulta de "actualización" de Linux con la utilidad "Apt" y el privilegio de "sudo" para actualizar rápidamente el sistema que tenemos. Ha requerido que nuestra contraseña de usuario continúe este proceso para que nuestro sistema se pueda actualizar correctamente.
Paso 02: Instale Python y Pip
Para el uso del aprendizaje profundo a través de Keras y TensorFlow, debemos tener la última versión de Python configurada en nuestra máquina. Por lo tanto, comenzamos a instalar el paquete actualizado de Python junto con su utilidad "PIP" necesaria en nuestro sistema. Para eso, tenemos que utilizar nuevamente la utilidad "apt" de Ubuntu 20.04 Sistema de Linux en la consulta "Instalar" en la carcasa seguida de los nombres de los paquetes a instalar, I I.mi., Python3 y python3-pip. En la ejecución de esta simple consulta en el área de la consola, el sistema comenzará a instalar y configurar ambos paquetes en nuestro sistema.
Por otro lado, si su sistema tiene una versión anterior de la utilidad "Pip" para Python instalada, debería actualizarlo antes de avanzar.
Después de la configuración exitosa de Python y su utilidad "PIP", es hora de actualizar el setuptools para Python para evitar cualquier problema en el futuro cercano. Por lo tanto, hemos probado la consulta de instalación con la utilidad "PIP3" y la opción de supervisión para instalar la actualización de SetupTools, I.mi., Herramientas de configuración. Solicita la contraseña actual que tenemos para nuestro sistema, y la hemos agregado.
Paso 03: Instale TensorFlow
Para construir el aprendizaje automático y los modelos neuronales supervisados, TensorFlow es el paquete de matemáticas simbólicas más conocidas. Después de pasar por las instalaciones, hemos estado ejecutando la misma consulta de instalación "PIP3" seguida del nombre del paquete "TensorFlow".
Se requiere que otras utilidades relacionadas con TensorFlow se instalen completamente en el sistema. Esas utilidades se instalarán junto con el flujo de tensor, y puede tomar hasta 10 minutos o más.
Paso 04: Instale paquetes esenciales
Después de la fructífera configuración de TensorFlow en el Ubuntu 20.04 Sistema, también necesitamos configurar algunos paquetes de compilación junto con otras utilidades como "Git" y "CMake". Al probar la misma herramienta "apt", hemos instalado muchos de los paquetes necesarios, como se muestra a continuación:
Este paso está tomando nuestra mayor atención al confirmar esta instalación. Toque "Y" y continúa.
Paso 05: Crear entorno virtual
Después de las instalaciones necesarias, es hora de crear un entorno virtual. Por lo tanto, tenemos que usar la utilidad Python3 con la opción "-m" para crear el entorno virtual "kerasenv" a través de la variable "venv". La consulta "LS" muestra que se crea el entorno.
Ahora, necesitamos movernos dentro del entorno virtual de la carpeta Keras. Entonces, hemos estado utilizando la instrucción "CD" junto con el nombre de una carpeta de entorno virtual. Después de eso, hemos estado moviendo dentro de la carpeta "bin" de este entorno virtual y enumeramos su sub. Para activar este entorno de Python, probamos la instrucción "fuente" en su área de consulta junto con el archivo "activar". El entorno virtual se activa con el nombre "kerasenv".
Paso 06: Instalar bibliotecas de Python
Después de establecer el entorno virtual de Python con éxito, debe instalar todas las bibliotecas de Python requeridas antes de la instalación de Keras. Por lo tanto, hemos estado instalando primero la biblioteca de Panda en el mismo entorno virtual utilizando el paquete "Pip" de Python.
El sistema comenzará a configurarlo dentro del entorno virtual de Python, como se muestra en la imagen:
Después de instalar la biblioteca de Pandas, intente instalar la biblioteca Numpy utilizando el siguiente método:
De manera muy similar, instale la biblioteca Scipy de Python en el mismo entorno.
Ahora, instale la biblioteca matplotlib de Python en el entorno.
Python utiliza algoritmos de agrupación y regresión en el aprendizaje automático para realizar modelos de redes neuronales. Para esto, tiene la biblioteca de aprendizaje Sci-kit que hemos estado instalando con la utilidad "pip" junto con la opción "-u" para configurar los paquetes requeridos, también.
El procesamiento de la instalación de la biblioteca Scikit se ha mostrado a continuación:
Para la visualización en el aprendizaje profundo, necesitamos que se instale la Biblioteca Seaborn de Python. Por lo tanto, lo hemos estado instalando en el mismo entorno con la consulta "Instalar".
Paso 07: Instale la biblioteca Keras
Después de la instalación de todas las bibliotecas de requisitos previos necesarios de Python, finalmente podemos instalar keras dentro del entorno virtual de Python. La utilidad "pip" se utilizará para este propósito dentro de nuestra consulta "instalar" con el nombre del módulo, yo.mi., "Keras". Si el sistema muestra que su requisito ya está satisfecho, esto significa que ya está instalado y configurado.
Si aún no está instalado, esta consulta comenzará a descargarla y configurarla en el entorno virtual sin un retraso de un segundo y el procesamiento se mostrará, como se muestra a continuación:
Después de la configuración e instalación completa de la biblioteca "Keras" en el entorno virtual, es hora de mostrar la información completa sobre ella en el shell a través de la consulta "Pip Show". La ejecución de esta consulta de "espectáculo" ha presentado la versión de Keras instalada en nuestro entorno virtual de Python, su nombre, su resumen, su página de inicio web, autor, correo electrónico del autor, licencia, la ubicación que toma en nuestro sistema y muchos Más como se presenta a continuación:
Después de las mejores instalaciones de las bibliotecas Keras y TensorFlow de Python, necesitamos dejar el entorno virtual. Para eso, pruebe la consulta de "desactivar" en el caparazón y renuncie.
Paso 08: Instale Anaconda Cloud
Python tiene una nube llamada "Anaconda" que es necesaria para construir ejemplos de redes neuronales en Python. Por lo tanto, hemos descargado su archivo de ejecución a nuestro sistema.
Este archivo ha estado residiendo en la carpeta de inicio actual de la máquina Linux según la consulta "LS". Debes asegurarte de que sea la suma de comprobación primero, yo.mi., Si es completamente correcto o no a través de la consulta SHA256SUM.
Después de eso, necesitamos instalar el archivo bash descargado de Anaconda en nuestro sistema utilizando la instrucción "bash" y el nombre del archivo en la misma consola. Nos ha estado pidiendo que revisemos el acuerdo de licencia antes de la instalación. Entonces, aprovechamos "Enter" para continuar.
Después de realizar su acuerdo de licencia, nos pide que aprovechemos "sí" si estamos de acuerdo con los términos. Debe presionar ENTER para continuar instalándolo en el mismo lugar o escribir la ruta al directorio donde desea instalarlo. De lo contrario, use "Ctrl-C" para cancelar la instalación.
Mostrará la larga lista de paquetes que se instalarán en este proceso. Después de alguna ejecución de transacciones, comenzará a instalar los paquetes.
Después de un tiempo, la Anaconda se instaló con éxito con sus paquetes adicionales.
Debe ejecutar el archivo "activar" desde la carpeta Anaconda a través de la consulta "fuente" como root.
Intente lanzar el Anaconda Navigator empleando la siguiente consulta.
Para crear y trabajar en el nuevo entorno de conda, pruebe la instrucción "Conda Create" con la opción Nombre seguida del nuevo nombre del entorno, I.mi., Pycpu.
Este proceso requiere nuestra confirmación en la creación del nuevo entorno. Toque "Y".
Para activar y ejecutar el entorno de condena recién hecho, use la consulta "Conda activar" con el nombre de su nuevo entorno, yo.mi., El entorno PYCPU ahora está activado.
Paso 09: Instale Spyder IDE
El IDE Spyder debe instalarse dentro de este entorno para la ejecución de los programas de Python. Para esto, hemos probado la consulta de instalación de Conda en el shell de entorno PYCPU con la palabra clave "Spyder".
Toque "Y" para continuar instalando Spyder.
Paso 10: Instale la biblioteca de pandas y keras
Después de la instalación de Spyder, instale la biblioteca de Panda de Python en un entorno de Anaconda utilizando la consulta de instalación de Conda con la opción -c.
Nuevamente, presione el botón "Y" para continuar.
Después de la configuración exitosa de Pandas, instale la biblioteca Keras con la misma consulta.
Proceda después de hacer clic en el botón "Y".
Puede iniciar el IDE Spyder dentro de la consola de entorno actual de Anaconda de la siguiente manera:
El IDE Spyder se ha estado preparando para lanzar.
La carpeta oculta ".Keras "se ha ubicado en el directorio de origen. Descanse y abre sus "keras.archivo json "para agregar las siguientes configuraciones en él.
Configurar keras y tensorflow en Windows
Para configurar Keras y TensorFlow en un entorno de Windows, debe asegurarse de que el idioma de Python junto con su biblioteca "Pip" y Anaconda Navigator ya estén configurados en él. Después de configurarlo, debe abrirlo desde su área de búsqueda y moverse dentro de la pestaña "Entornos". En esta pestaña, encontrará el nombre del entorno en el que está trabajando actualmente.mi., base. En el área a continuación, encontrará la siguiente pestaña. Toque la opción "Crear".
Aquí, debes crear un nuevo nombre de entorno "TensorFlow", yo.mi., están actualmente dentro del entorno base. Seleccione la última versión de Python que se utilizará y toque el botón "Crear" para continuar.
Verá que el entorno ha comenzado a cargarse.
Después de un tiempo, el entorno TensorFlow se instala completamente.
Desde su área más a la izquierda, puede ver todas las bibliotecas y módulos instalados y disponibles para Python, como se presenta a continuación:
Ahora, necesitamos instalar la biblioteca de backend de TensorFlow de Python usando esta área. En la barra de búsqueda, escriba "TensorFlow" y marque el mismo paquete de casos de la lista de mostradores para instalarlo. Toque el botón "Aplicar" para continuar con la instalación de TensorFlow junto con sus submódulos como "Keras".
Ha comenzado a funcionar y configurar el flujo de tensor en nuestro entorno Anaconda.
Mientras que la instalación mostrará la lista de subackages que se instalará en el entorno de Anaconda. Pase el botón "Aplicar" y espere un tiempo hasta que haya terminado.
Después de un tiempo, encontrará todos los paquetes instalados en el mismo área de módulos. Puede ver que la biblioteca Keras se ha instalado con otros paquetes y no tenemos que instalarla ahora.
Desde la barra de búsqueda de Windows, busque la palabra clave "Jupyter". La aplicación llamada "Jupyter Notebook (TensorFlow)" se mostraría junto con otros. Toque para iniciar el cuaderno Jupyter con el backend tensorflow habilitado. Crear un nuevo archivo de Python y comenzar a funcionar.
Aprendizaje profundo a través de keras
El aprendizaje profundo incluye análisis de capa por capa de la ingesta, con cada capa extrayendo gradualmente los detalles de nivel avanzado de la entrada. Keras proporciona un marco completo para formar cualquier tipo de red neuronal. Tanto creativo como increíblemente simple de entender, keras. Permite modelos de redes neuronales que van desde los más ingenuos hasta el complejo más grande y supremo.
Red neuronal artificial (ANN)
La metodología de la "red neuronal artificial" (ANN) parece ser el método más utilizado y fundamental de aprendizaje profundo. Sacan sus señales de la mente humana, el componente más complicado natural de nuestro cuerpo, que sirve como su modelo. Más de 90 mil millones de células microscópicas llamadas "neuronas" constituyen el cerebro de un individuo. Los axones y las dendritas son tipos de fibras nerviosas que unen las neuronas. La función principal de un axón es enviar datos de una neurona vinculada a la siguiente. Para obtener más información, busque desde el motor de búsqueda de Google.
Arquitectura de Keras
La arquitectura de la API de Keras se ha clasificado en tres partes principales que se enumeran a continuación. Tomemos una apariencia de cada uno claramente.
- Modelo
- Capa
- Módulos centrales
Modelo keras
El modelo keras consta de exactamente dos tipos, yo.mi., API secuencial y funcional.
Modelo secuencial
Fundamentalmente, un modelo secuencial es una compilación cronológica de las capas de Keras. El modelo secuencial simple y simplista puede describir casi todas las redes neuronales que están actualmente en uso. Se puede hacer un modelo personalizado utilizando la clase de modelo que revela el modelo secuencial. El enfoque de subclasificación se puede utilizar para construir un modelo sofisticado de nuestro propio. La demostración del modelo secuencial se ha presentado a continuación.
Agregar capas
El script se ha iniciado desde la importación del modo secuencial a través del keras.modelos y la otra línea ha estado creando un modelo secuencial. Después de eso, la importación de la capa densa crea una capa de entrada y agrega una capa de entrada a un modelo. La capa densa oculta se ha creado y agregado al modelo y lo mismo se ha realizado para la capa densa de salida.
Acceder al modelo
Puede obtener información sobre las capas de su modelo, los datos de entrada que ha estado utilizando y sus datos de salida. El modelo.La función de capas le permite acceder a todas las capas. El modelo.Las entradas mostrarían tensores de entrada y modelo.La salida mostrará tensores de salida.
Serializar el modelo
Es fácil devolver el modelo utilizado en el script como objeto o json. Por ejemplo, la función get_config () produce el modelo como una entidad/objeto. La función from_config () crea un nuevo modelo usando el objeto como un valor paramétrico.
También puede cambiar su modelo a JSON usando la función to_json ().
Resumen Modelo
Para obtener todo el resumen con respecto a las capas utilizadas dentro del modelo junto con alguna información adicional, llame a la función Resumen ().
Entrenar y predecir el modelo
Para entrenar y predecir, deberíamos usar la función de compilación, la función de ajuste, evaluar la función y predecir la función a este respecto.
Capas de Keras
Cada entrada, oculta y capa de rendimiento en el modelo sugerido de redes neuronales corresponde a una capa de Keras diferente en el modelo real. Cualquier red neuronal sofisticada se puede desarrollar rápidamente utilizando muchas capas preconstruidas de la Biblioteca Keras. Hay diferentes capas de keras que tenemos, yo.mi., capas centrales, capas de agrupación, capas recurrentes y capas de convolución. Puedes estudiarlos buscando en la web. Las dos primeras líneas han sido importar la capa de modo secuencial, denso, activación y deserción.
Hemos estado probando la API secuencial () para crear un modelo secuencial de abandono. Al eliminar el modelo de activación "Relu" hemos estado creando una capa densa a través de la API "densa". Para atender el exceso de ajuste de la capa densa, hemos estado usando la API del abandono (), I.mi., Capas de desacuerdo a través de la función de abandono (). Después de esto, hemos estado usando una capa más densa aquí con el modelo de activación "Relu". Para manejar las capas densas desde el exceso de ajuste, tenemos que usar capas de abandono. Al final, hemos estado lanzando nuestras capas densas finales utilizando el modelo de activación de tipo "Softmax".
¿Alguna vez has realizado capas mientras cocinas?? Si es así, entonces este concepto no sería difícil para usted entender. El resultado de un nivel servirá como datos de entrada para la capa siguiente. Estas son las cosas básicas necesarias para construir una capa completamente nueva:
- Forma de datos de entrada
- Neuronas/unidades totales en una capa
- Inicializadores
- Regularidad
- Restricciones
- Activaciones
Forma de datos de entrada
Dentro del lenguaje de Python, todo tipo de entrada se ha convertido en una serie de enteros y luego se ha agregado al modelo de algoritmo. Dentro de Python, necesitamos especificar la forma de entrada para obtener la salida según nuestro requisito. En los siguientes ejemplos, hemos especificado la forma de entrada (3,3), i.mi., 3 filas y 3 columnas. La salida ha estado mostrando la matriz.
Inicializadores
El módulo de inicializadores de las capas Keras nos proporciona muchas funciones para especificar un peso específico para los datos de entrada. Por ejemplo, la función Zeros () especifica 0 para todos, los que () especificarían para todos, y la función constante () especificará un valor constante especificado agregado por un usuario para todos y más. Para una mejor comprensión, hemos usado la función Identity () para generar una matriz de identidad. El resto de las funciones también se pueden buscar desde el motor de búsqueda.
Restricciones
Existen diferentes funciones de restricción disponibles para aplicar restricciones en el parámetro de "peso" de la capa, i.mi., no negativo, norma unitaria, norma máxima, minmaxnorm y muchos más. Dentro de la siguiente ilustración, hemos aplicado la norma de restricción menor o igual al peso. El parámetro "max_value" es el límite superior de la restricción a aplicar y el eje es la dimensión en la que se aplicaría la restricción, i.mi., Dimensión 1.
Regularidad
A lo largo de la optimización, impone varias cargas en la propiedad de la capa. También se les ocurrió algunas funciones para hacerlo, yo.mi., L1 regularizador, regularizador L2 y regularizador "Li y L2". Aquí está la ilustración más simple de la función de regularizador L1:
Activaciones
Se emplea una función única llamada función de activación para determinar si una neurona en particular está activa o no. La función de activación transforma los datos entrantes de una manera compleja, lo que ayuda a las neuronas a estudiar de manera más efectiva. Aquí hay varios métodos de activación presentados en los ejemplos proporcionados a continuación:
Módulos keras
Como sabemos, los módulos de programación generalmente contienen funciones, clases y variables que se utilizarán para fines diferentes y específicos. Solo así, la biblioteca Keras de Python contiene muchos módulos en ella. Puede obtener todo el conocimiento requerido sobre los módulos Keras de la web.
Backend
Uno de sus módulos más conocidos y usados es el módulo "backend" que ha sido diseñado para usar las bibliotecas de back-end de Python como TensorFlow y Thano. Usando el módulo de back -end, podemos utilizar tantas funciones de backend como sea posible desde la biblioteca TensorFlow y Theano. Para usar el módulo de biblioteca de backend, necesitamos especificar la biblioteca de backend que se utilizará en el archivo de configuración "keras.json, que hemos creado en el escondido .carpeta Keras. Por defecto, el backend se ha especificado como "tensorflow", pero también puede cambiarlo a otro.mi., Theano o cntk.
Dentro de nuestro ejemplo, usaremos la biblioteca TensorFlow como backend. Para cargar las configuraciones del backend desde los keras.archivo json de la carpeta root "keras", use:
- del backend de importación keras como k
Después de importar con éxito el backend de los keras.archivo json, es hora de obtener la información de backend utilizando la variable "k" con la variable que se obtendrá. Primero, hemos estado buscando el nombre de un backend que hemos estado usando y ya importados utilizando la función "backend ()". Devuelve el "TensorFlow" como su valor de backend. Para obtener el valor flotante del backend, hemos estado llamando a la función FloatX () a través del objeto variable "K" de Keras. Está demostrando que hemos estado usando el valor float32.
Para obtener el formato de datos de imagen, use la función Image_Data_Format () con la variable "K". Al usarlo, muestra que nuestro backend ha estado utilizando el formato de datos de imagen "Channels_last". Para obtener el poder exponente para el backend, llame a la función epsilon () con la variable "k". Devuelve que el backend usará el poder exponencial de "07". Eso se trata de la obtención de información de backend.
Función get_uid ()
Es hora de echar un vistazo a algunas funciones de backend de TensorFlow para comprender su funcionalidad. Una de sus funciones de backend más utilizadas "get_uid () que se utiliza para identificar el gráfico predeterminado que hemos estado utilizando. Usándolo con el prefijo = "El parámetro volvería a" 1 ", yo.mi., Según el uso. Una vez más, usarlo devolvería "2" como lo hemos vuelto a llamar nuevamente y el valor del gráfico se ha incrementado. Después de usar la función "RESET_UIDS", el valor de ID de usuario del gráfico se restablecería a 0. Por lo tanto, usar la función get_uid () una vez más la incrementaría en 1.
Función de marcador de posición ()
El tensor ha estado utilizando la función de marcador de posición () para contener diferentes formas dimensionales en él. Por ejemplo, dentro de la siguiente ilustración, la hemos estado utilizando para mantener la imagen 3-D en tensor a través de la variable Keras "K" y guárdela a otra variable "D". La salida de la variable "D" muestra las propiedades de una forma utilizada dentro del marcador de posición.
La función "int_shape ()" se usa para mostrar la forma de un valor guardado en el marcador de posición "D".
Función dot ()
¿Alguna vez has multiplicado dos vectores?? Si es así, no será un desafío que multiplique dos tensores. Para esto, a la biblioteca de backend se le ocurrió la función "punto". Primero, para contener las dos formas diferentes, hemos estado utilizando los valores de forma en la función de marcador de posición () en las primeras 2 líneas para crear dos titulares "x" y "y". La función dot () ha estado tomando los titulares de "x" e "y" para multiplicar los tensores y guardar el resultado a otra variable "z". Sobre el uso del tensor "Z" para la impresión, mostró la forma de tensor resultante multiplicada (1, 5) en la pantalla.
Una función ()
La función ONE () del módulo de backend ha sido conocida por inicializar todos los valores de una forma particular a 1. Por ejemplo, hemos estado utilizando la función One () en la forma del tensor (3,3) y guardando el resultado a la variable "V". La función eval () se elimina aquí para evaluar el valor de una variable "V" y se muestra en el entorno de Python. A cambio, ha convertido la forma (3,3) en una matriz de matriz de todos con el tipo de datos Float32.
Función por lotes_dot ()
El lote de tensor especificaría las muestras totales a clasificar antes de actualizar un modelo. La función Batch_Dot () del backend de TensorFlow se usa principalmente para averiguar el resultado de multiplicación de dos datos de lotes diferentes. Por lo tanto, hemos creado dos variables de tensor v1 y v2 y usamos la función de entrada () para guardarlas en v1 y v2 como entrada. Después de eso, hemos estado probando la función Batch_Dot () tanto en las variables tensoras, V1 como V2, y el valor resultante se guardaría en otra variable "V3". Al imprimir la variable V3, encontramos la forma resultante (2,2) a cambio.
Función variable
Si alguna vez ha trabajado en cualquier otro idioma, es posible que haya inicializado muchas variables con la palabra clave "var" o sin él. Muchas veces, es posible que haya inicializado las variables con sus tipos de datos como entero, cadena o carácter. Dentro de la biblioteca de Python Keras, podemos crear cualquier variable utilizando la función variable () en algunos datos de tensor en forma de muestras.
Dentro de la siguiente imagen, hemos creado una variable "D" agregando los datos de dos listas de muestra en una función variable () con el objeto Keras "k". Después de agregar esta variable, hemos estado llamando a la función Transpose () en esta variable "D" para averiguar la transposición de una muestra de datos dentro de él a través del objeto Keras "K". La transposición resultante se guardaría en una variable "Val". La declaración de impresión del lenguaje de Python se ha utilizado aquí para imprimir el valor de la variable resultante "Val". La declaración de impresión ha estado mostrando la elección de la función que hemos aplicado a la variable "D" y el número total de elementos en cada lista.
Después de esto, probamos la función "Eval" en la variable "Val" para obtener la transposición de las muestras agregadas a la variable "D" y la función de impresión la mostraba. Puede ver la transposición de dos listas en la salida.
La ilustración del código anterior se logró mediante el uso de funciones simples de Python sin importar ninguna biblioteca de Python en particular. La "transposición" de dos conjuntos de datos se puede encontrar utilizando las matrices Numpy. Para esto, necesitamos importar la biblioteca Numpy como "n" al principio. El formato básico es el mismo, pero necesitamos inicializar el conjunto de datos de forma con la palabra clave "matriz" en lugar de usar la palabra clave "variable". La matriz Numpy de muestra debe retroceder a la variable "D". El mismo objeto numpy "n" se usa para llamar a la función transpose () en la variable "d" y guardar su resultado en la variable "val".
La declaración de impresión ha estado llamando a la variable "Val" en ella para mostrar su tensor de transposición. Puede ver, para mostrar el valor transpositivo resultante de la variable "Val", no necesitamos la función "Eval" aquí. Ahora, hemos utilizado la función variable con el argumento "d" y guardamos el resultado a la variable "z". Después de probar la instrucción de impresión agregando el valor del argumento "z" en ella, mostró la salida en el mismo formato anterior que hemos probado en el ejemplo de variable anterior.
Función is_sparse ()
La palabra "escaso" en tensor se usa para un tensor escaso que contiene entradas con ceros en su mayoría. Dentro de este ejemplo, utilizaremos la función IS_SPARSE () del módulo de backend para verificar si el tensor tiene la mayoría de los ceros o no.
Primero, hemos estado llamando a la función de marcador de posición () para mantener la forma del tensor (3,3) junto con el argumento escaso establecido en verdadero. Este valor de marcador de posición se mantendría en la "x" mutable y se muestra. La salida ha estado mostrando la información sobre la variable de marcador de posición "X".
Por ejemplo, su tipo de datos, forma y función se aplican a él. Después de esto, probamos la instrucción de impresión una vez más llamando a la función IS_SPARSE () en ella. Esta función ha estado tomando la variable "x" como argumento para mostrar si el tensor "x" es escaso o no. La salida muestra "verdadero".
Función to_dense ()
Se dice que el tensor denso es el que utilizó el bloque cronológico de la memoria para almacenar la información de manera adyacente y representa los valores de información, así como. La función "to_dense ()" del módulo de backend permite convertir el tensor disperso en un tensor denso. Por lo tanto, estamos tomando la misma función de marcador de posición para agregar el tensor a la variable "x" y este tensor se ha establecido en "escaso".
La función "to_dense ()" se aplica a la variable tensor densa "x", i.mi., para convertirlo en un tensor denso y guiarlo a otra variable "res". Ahora, el "res" es un tensor denso en sí. La declaración de impresión se ha descartado para imprimir la variable "res". El uso de declaraciones de impresión para la variable "Res" mostró la información sobre la variable convertida "Res", i.mi., convertido con éxito escaso a denso y mucho más.
Luego, se llama otra función de impresión utilizando la función IS_SPARSE () en ella para verificar si la variable "RES" es escasa o no. La salida ha estado mostrando que la variable "res" no es escasa, yo.mi., Como lo hemos convertido a un tensor "denso" ya.
Función Random_Uniform_Variable ()
La función random_uniform_variable () en el módulo de backend keras está diseñada específicamente para la inicialización de un tensor a través de la distribución uniforme. Se necesitan un total de tres argumentos. El primer argumento "forma" se usa para definir las filas y columnas de la forma dentro de la forma de tupla. Si ha hecho matemáticas, es posible que haya aprendido el concepto de desviación media y estándar.
En el método random_uniform_variable (), los siguientes dos argumentos son la desviación media y típica de una distribución uniforme. Dentro de esta ilustración, hemos inicializado dos tensores "x" y "y" utilizando la distribución uniforme estándar a través de la función random_uniform_variable (). Ambos tensores contienen diferentes formatos de forma, yo.mi., filas y columnas con la misma media y desviación estándar, yo.mi., bajo = 0 y alto = 1.
Después de esto, estamos expulsando la función "punto" que toman los tensores "x" e "y" para la multiplicación. El resultado de esta multiplicación se guardaría en la variable "Z". Al final, el int_shape () es imprescindible para mostrar la forma de un tensor resultante "z". La salida muestra el tensor (2,2).
Tensiones
Si desea utilizar algunas de las funciones muy útiles del concepto de aprendizaje profundo de Python, debe utilizar el módulo Utils de la Biblioteca Keras en sus scripts. Por ejemplo, si desea mostrar sus datos en formato HDF5Matrix, debe importar la clase HDF5Matrix y usar su función HDF5MATRIX en el script.
Función to_categorical ()
Esta función le permite modificar un vector de clase en una matriz, yo.mi., matriz de clase binaria. Digamos que hemos importado la función To_Categorical () desde el módulo Utils e inicializado un vector "A". El vector "A" se ha pasado a la función To_Categorical (). Se ha mostrado la matriz binaria para este vector de clase "A".
impresión_summary () función
Para imprimir el resumen de un modelo que hemos estado expulsando en nuestro entorno, se utilizó la función print_summary.
Función Plot_Model ()
La función traot_model () significa el modelo en un formato de puntos y le permite guardarlo en un documento.
Conclusión
En resumen, podemos decir que el lenguaje de Python es un idioma necesario para la era de hoy, ya que todo se está volviendo rápido y la tecnología ha estado evolucionando tan locamente rápido. A lo largo de esta directriz de aprendizaje, hemos estado a la altura de la Biblioteca Keras de Python en el aprendizaje profundo y las redes neuronales artificiales. Para esto, también hemos pasado por la importancia y el uso de su biblioteca de backend "TensorFlow" para obtener una comprensión clara. Además, hemos discutido y explicado cada configuración requerida para configurar el entorno Keras y Anaconda en Python dentro del Ubuntu 20.04 Sistema operativo Linux. Después de esto, hemos discutido a fondo los modelos, capas y módulos de Keras, uno por uno junto con sus funciones más utilizadas. Para la demostración del modelo API de funciones, verifique la documentación oficial.