Keras Python (Wie es für Entwickler funktioniert)

Einführung

Keras ist eine leistungsstarke, einfach zu bedienende Python-Bibliothek für die Entwicklung und Auswertung von Deep-Learning-Modellen. Die ursprünglich von François Chollet entwickelten Keras-Modelle sind aufgrund ihrer Einfachheit und benutzerfreundlichen Oberfläche sehr beliebt und eignen sich daher sowohl für Anfänger als auch für Experten im Bereich des maschinellen Lernens.

Außerdem werden wir uns mit dem IronPDF PDF-Generierungsbibliothek und wie wir diese beiden Bibliotheken kombinieren können, um Ergebnisse zu generieren und sie in PDF zu exportieren. tiefe Modelle,

Hauptmerkmale von Keras

1. Benutzerfreundlichkeit und Modularität

Mit dem Slogan "Deep Learning für Menschen" ist Keras einfach zu bedienen, modular und erweiterbar aufgebaut. Keras-Modelle liefern klare und umsetzbare Rückmeldungen bei Fehlern, was Entwicklern hilft, ihre Modelle effizient zu debuggen und zu optimieren.

2. Unterstützung für mehrere Backends

Keras kann zusätzlich zu verschiedenen Deep-Learning-Frameworks wie TensorFlow, Theano und Microsoft Cognitive Toolkit eingesetzt werden (CNTK). Diese Flexibilität ermöglicht es den Entwicklern, das Backend zu wählen, das ihren Anforderungen am besten entspricht.

3. Umfassende Unterstützung für neuronale Netze

Keras unterstützt eine breite Palette von neuronalen Netzwerkschichten, darunter Faltungsschichten, rekurrente Schichten und vollständig verbundene Schichten. Es unterstützt auch komplexe Architekturen wie Modelle mit mehreren Eingängen und Ausgängen, die gemeinsame Nutzung von Schichten und Modellen.

4. Vorverarbeitende Dienstprogramme

Keras enthält Dienstprogramme für die Datenvorverarbeitung, z. B. für die Bild- und Textverarbeitung, die die Vorbereitung von Datensätzen für das Training von Modellen vereinfachen.

5. Modellvisualisierung und Debugging-Tools

Keras bietet Tools zur Visualisierung der Struktur neuronaler Netze und zur Überwachung des Trainingsprozesses. Dies ist wichtig, um das Verhalten der Modelle zu verstehen und notwendige Anpassungen vorzunehmen. Der einfachste Modelltyp ist das sequenzielle Keras-Modell, das einfach ein linearer Stapel von Schichten ist.

Einrichtung

Die Installation von Keras ist ganz einfach. Sie können es mit pip installieren:

pip install keras 
pip install tensorflow

Aufbau eines einfachen neuronalen Netzwerks mit Keras

Im Folgenden finden Sie ein Beispiel für den Aufbau eines einfachen neuronalen Feedforward-Netzwerks mit Keras:

import keras
import numpy as np
import matplotlib.pyplot as plt
def readucr(filename):
    data = np.loadtxt(filename, delimiter="\t")
    y = data[:, 0]
    x = data[:, 1:]
    return x, y.astype(int)
root_url = "https://raw.githubusercontent.com/hfawaz/cd-diagram/master/FordA/"
x_train, y_train = readucr(root_url + "FordA_TRAIN.tsv")
x_test, y_test = readucr(root_url + "FordA_TEST.tsv")
classes = np.unique(np.concatenate((y_train, y_test), axis=0))
plt.figure()
for c in classes:
    c_x_train = x_train[y_train == c]
    plt.plot(c_x_train[0], label="class " + str(c))
plt.legend(loc="best")
plt.show()
plt.close()

import keras
import numpy as np
import matplotlib.pyplot as plt
def readucr(filename):
    data = np.loadtxt(filename, delimiter="\t")
    y = data[:, 0]
    x = data[:, 1:]
    return x, y.astype(int)
root_url = "https://raw.githubusercontent.com/hfawaz/cd-diagram/master/FordA/"
x_train, y_train = readucr(root_url + "FordA_TRAIN.tsv")
x_test, y_test = readucr(root_url + "FordA_TEST.tsv")
classes = np.unique(np.concatenate((y_train, y_test), axis=0))
plt.figure()
for c in classes:
    c_x_train = x_train[y_train == c]
    plt.plot(c_x_train[0], label="class " + str(c))
plt.legend(loc="best")
plt.show()
plt.close()

Ausgabe

Anwendungen in der realen Welt

1. Bildklassifizierung

Keras wird häufig für Bildklassifizierungsaufgaben verwendet. Zum Beispiel: Faltungsneuronale Netze (CNNs) die mit Keras erstellt wurden, können eine hohe Genauigkeit bei der Erkennung von Objekten in Bildern erreichen.

2. Natürliche Sprachverarbeitung

Keras bietet Werkzeuge zum Erstellen von Modellen, die menschliche Sprache verarbeiten und verstehen können. Rekurrente neuronale Netze (RNNs) und Kurzzeitgedächtnis (LSTM) netzwerke in Keras werden häufig für Aufgaben wie Sentimentanalyse und maschinelle Übersetzung verwendet.

3. Generative Modelle

Keras kann verwendet werden, um generative Modelle wie Generative Adversarial Networks zu entwickeln (GANs)die verwendet werden, um neue Datenproben zu erzeugen, die den Trainingsdaten ähneln.

Einführung in IronPDF

IronPDF ist eine leistungsfähige Python-Bibliothek, die von Iron Software entwickelt und gepflegt wird. Sie ermöglicht es Entwicklern, PDF-Inhalte in Python-Projekten zu erstellen, zu bearbeiten und zu extrahieren. Hier sind einige der wichtigsten Funktionen von IronPDF:

1. PDF-Erstellung:

   • Sie können PDFs aus verschiedenen Quellen erzeugen, darunter HTML, URLs, JavaScript, CSS und Bildformate.
   • Den generierten PDFs können Kopf- und Fußzeilen, Unterschriften, Anhänge und Sicherheitsmerkmale hinzugefügt werden.

2. Performance-Optimierung:

   • IronPDF unterstützt vollständiges Multithreading und asynchrone Operationen.

3. Plattformübergreifende Kompatibilität:

   • Es funktioniert mit Python 3.7+ unter Windows, macOS, Linux, Docker, Azure und AWS.

   Um loszulegen, installieren Sie IronPDF mit pip:

pip install ironpdf

Nach der Installation können Sie PDFs entweder mit HTML-Inhalten oder URLs erstellen. Hier einige Beispiele:

1. HTML zu PDF:

from ironpdf import ChromePdfRenderer
renderer = ChromePdfRenderer()
pdf = renderer.RenderHtmlAsPdf("<h1>Hello World</h1>")
pdf.SaveAs("ironAwesome.pdf")

from ironpdf import ChromePdfRenderer
renderer = ChromePdfRenderer()
pdf = renderer.RenderHtmlAsPdf("<h1>Hello World</h1>")
pdf.SaveAs("ironAwesome.pdf")

1. URL zu PDF:

from ironpdf import ChromePdfRenderer
renderer = ChromePdfRenderer()
pdf = renderer.RenderUrlAsPdf("https://ironpdf.com/python/")
pdf.SaveAs("ironAwesome.pdf")

from ironpdf import ChromePdfRenderer
renderer = ChromePdfRenderer()
pdf = renderer.RenderUrlAsPdf("https://ironpdf.com/python/")
pdf.SaveAs("ironAwesome.pdf")

IronPDF und Keras Python: PDF des Modells generieren

Einrichtung

pip install ironpdf
pip install keras
pip install tensorflow

Erstellen Sie nun das Modelldiagramm und exportieren Sie es mit dem unten stehenden Code in ein PDF-Dokument:

import keras
import numpy as np
import matplotlib.pyplot as plt
from ironpdf import * 
# Apply your license key
License.LicenseKey = "your key goes here"
def readucr(filename):
    data = np.loadtxt(filename, delimiter="\t")
    y = data[:, 0]
    x = data[:, 1:]
    return x, y.astype(int)
root_url = "https://raw.githubusercontent.com/hfawaz/cd-diagram/master/FordA/"
x_train, y_train = readucr(root_url + "FordA_TRAIN.tsv")
x_test, y_test = readucr(root_url + "FordA_TEST.tsv")
classes = np.unique(np.concatenate((y_train, y_test), axis=0))
plt.figure()
for c in classes:
    c_x_train = x_train[y_train == c]
    plt.plot(c_x_train[0], label="class " + str(c))
plt.legend(loc="best")
plt.savefig('data.png') 
plt.show()
plt.close()
ImageToPdfConverter.ImageToPdf("data.png").SaveAs("plot.pdf")

import keras
import numpy as np
import matplotlib.pyplot as plt
from ironpdf import * 
# Apply your license key
License.LicenseKey = "your key goes here"
def readucr(filename):
    data = np.loadtxt(filename, delimiter="\t")
    y = data[:, 0]
    x = data[:, 1:]
    return x, y.astype(int)
root_url = "https://raw.githubusercontent.com/hfawaz/cd-diagram/master/FordA/"
x_train, y_train = readucr(root_url + "FordA_TRAIN.tsv")
x_test, y_test = readucr(root_url + "FordA_TEST.tsv")
classes = np.unique(np.concatenate((y_train, y_test), axis=0))
plt.figure()
for c in classes:
    c_x_train = x_train[y_train == c]
    plt.plot(c_x_train[0], label="class " + str(c))
plt.legend(loc="best")
plt.savefig('data.png') 
plt.show()
plt.close()
ImageToPdfConverter.ImageToPdf("data.png").SaveAs("plot.pdf")

Code Erläuterung

1. Importieren von Bibliotheken:

   • Der Code beginnt mit dem Importieren der erforderlichen Bibliotheken:

     • Keras: Eine beliebte Deep-Learning-Bibliothek.

           * numpy (wie np): Wird für numerische Operationen verwendet.
       
           * matplotlib.pyplot (als Zeichnung): Dient zur Erstellung von Plots.

     • ironpdf: Die IronPDF-Bibliothek für die Arbeit mit PDFs.

2. Einstellen des Lizenzschlüssels:

   • Die Zeile License.LicenseKey = "Ihr Schlüssel" legt den Lizenzschlüssel für IronPDF fest.

3. Lesedaten:

   • Die Funktion readucr liest Daten aus Dateien mit einem bestimmten Format (tabulatorgetrennte Werte).
   • Es extrahiert Etiketten (y) und Merkmale (x) aus den Daten.

4. Laden von Trainings- und Testdaten:

   • Der Code konstruiert URLs für Trainings- und Testdatendateien, die sich auf den "FordA"-Datensatz beziehen.
   • Sie lädt die Daten mit Hilfe der Funktion readucr.

5. Daten aufzeichnen:

   • Der Code identifiziert eindeutige Klassen im Datensatz.

   • Für jede Klasse wählt es die erste Instanz aus (c_x_train[0]) und zeichnet sie auf.
   • Die Legende gibt die Klassenbezeichnung an.
   6. Saving the Plot:
   • Das Diagramm wird als Bilddatei mit dem Namen "data.png" gespeichert.

6. Bild in PDF konvertieren:

   • Der ImageToPdfConverter von IronPDF wandelt das gespeicherte Bild um ("data.png") in eine PDF-Datei ("plot.pdf").

Ausgegebenes PDF

IronPDF-Lizenz

IronPDF erfordert eine Lizenz, wie im obigen Code gezeigt. Legen Sie den Lizenzschlüssel am Anfang des Skripts als solchen fest:

# Apply your license key
License.LicenseKey = "your key goes here"

# Apply your license key
License.LicenseKey = "your key goes here"

Wenn Sie an einer Testlizenz für die IronPDF-Bibliothek interessiert sind, können Sie einen Testlizenzschlüssel von folgender Adresse erhalten *hier.

Schlussfolgerung

Die Python-Bibliothek Keras für künstliche Intelligenz zeichnet sich in der Deep-Learning-Community durch ihre Einfachheit und Flexibilität aus. Es abstrahiert einen Großteil der Komplexität, die mit dem Aufbau neuronaler Netze verbunden ist, so dass sich die Entwickler auf den Entwurf und das Experimentieren mit Modellen konzentrieren können. Egal, ob Sie ein Anfänger sind, der gerade mit Deep Learning anfängt, oder ein erfahrener Praktiker, Keras bietet Ihnen die Werkzeuge, die Sie brauchen, um Ihre Ideen zum Leben zu erwecken, da es das menschliche Gehirn nachahmt.

IronPDF hingegen ist eine vielseitige Bibliothek zur PDF-Erzeugung und -Bearbeitung, mit der sich Ergebnisse leicht in PDF-Dateien exportieren lassen. Mit diesen beiden Fähigkeiten können Benutzer moderne Data-Science-Modelle schreiben und die Ausgabe zur Dokumentation der Ergebnisse in PDF-Dateien exportieren.