Keras python (Wie es für Entwickler funktioniert)

1. Benutzerfreundlich und modular

Mit dem Schlagwort 'Deep Learning für Menschen' ist Keras darauf ausgelegt, einfach zu bedienen, modular und erweiterbar zu sein. Keras-Modelle bieten bei Fehlern klare und umsetzbare Rückmeldungen, die Entwicklern helfen, ihre Modelle effizient zu debuggen und zu optimieren.

2. Unterstützung für mehrere Backends

Keras kann auf diversen Deep-Learning-Frameworks wie TensorFlow, Theano und Microsoft Cognitive Toolkit (CNTK) laufen. Diese Flexibilität erlaubt Entwicklern, das Backend zu wählen, das ihren Bedürfnissen am besten entspricht.

3. Umfassende Unterstützung für neuronale Netzwerke

Keras unterstützt eine breite Palette von neuronalen Netzwerkschichten, einschließlich Konvolutionsschichten, rekurrenter Schichten und vollständig verbundener Schichten. Es bietet auch Unterstützung für komplexe Architekturen wie Mehrfacheingabe- und Mehrfachausgabemodelle, Schichtenteilung und Modellteilung.

4. Vorverarbeitungsdienstprogramme

Keras enthält Dienstprogramme zur Datenvorverarbeitung, wie Bild- und Textverarbeitung, die die Vorbereitung von Datensätzen für das Trainieren von Modellen vereinfachen.

5. Modellvisualisierung und Debugging-Tools

Keras bietet Werkzeuge zur Visualisierung der Struktur neuronaler Netzwerke und zur Überwachung des Trainingsprozesses. Dies ist entscheidend, um das Verhalten von Modellen zu verstehen und notwendige Anpassungen vorzunehmen. Der einfachste Modelltyp ist das sequenzielle Keras-Modell, bei dem es sich einfach um einen linearen Stapel von Schichten handelt.

Einfaches neuronales Netzwerk mit Keras erstellen

Unten finden Sie ein Beispiel, wie Sie ein einfaches Feedforward-Neuronales Netzwerk mit Keras erstellen können:

import keras
import numpy as np
import matplotlib.pyplot as plt

# Function to read UCR formatted data
def readucr(filename):
    """
    Reads a UCR format file and returns the features and labels.

    Args:
    filename (str): Path to the data file

    Returns:
    x, y: Features and labels as numpy arrays
    """
    data = np.loadtxt(filename, delimiter="\t")
    y = data[:, 0]
    x = data[:, 1:]
    return x, y.astype(int)

# Define the root URL for the dataset
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")

# Get unique classes from the dataset
classes = np.unique(np.concatenate((y_train, y_test), axis=0))

# Plot an example from each class
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

# Function to read UCR formatted data
def readucr(filename):
    """
    Reads a UCR format file and returns the features and labels.

    Args:
    filename (str): Path to the data file

    Returns:
    x, y: Features and labels as numpy arrays
    """
    data = np.loadtxt(filename, delimiter="\t")
    y = data[:, 0]
    x = data[:, 1:]
    return x, y.astype(int)

# Define the root URL for the dataset
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")

# Get unique classes from the dataset
classes = np.unique(np.concatenate((y_train, y_test), axis=0))

# Plot an example from each class
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

1. Bildklassifizierung

Keras wird häufig in der Bildklassifizierung verwendet. Zum Beispiel können mit Keras aufgebaute konvolutionelle neuronale Netzwerke (CNNs) hohe Genauigkeit beim Erkennen von Objekten in Bildern erzielen.

2. Natürliche Sprachverarbeitung

Keras stellt Werkzeuge zum Aufbau von Modellen bereit, die menschliche Sprache verarbeiten und verstehen können. Rekurrente neuronale Netzwerke (RNNs) und Long Short-Term Memory (LSTM) Netzwerke in Keras werden häufig für Aufgaben wie Sentiment-Analyse und maschinelle Übersetzung verwendet.

3. Generative Modelle

Mit Keras können generative Modelle wie Generative Adversarial Networks (GANs) entwickelt werden, die neue Datenproben erzeugen, die den Trainingsdaten ähneln.

Installation

pip install ironpdf
pip install keras
pip install tensorflow

pip install ironpdf
pip install keras
pip install tensorflow

Erstellen Sie jetzt das Modell-Diagramm und exportieren Sie es mithilfe des folgenden Codes als PDF:

import keras
import numpy as np
import matplotlib.pyplot as plt
from ironpdf import License, ImageToPdfConverter

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

def readucr(filename):
    """Read and parse UCR formatted data."""
    data = np.loadtxt(filename, delimiter="\t")
    y = data[:, 0]
    x = data[:, 1:]
    return x, y.astype(int)

# Define the root URL for the dataset
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")

# Extract unique classes from the dataset
classes = np.unique(np.concatenate((y_train, y_test), axis=0))

# Plot example data for each class
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()

# Convert the saved image to a PDF
ImageToPdfConverter.ImageToPdf("data.png").SaveAs("plot.pdf")

import keras
import numpy as np
import matplotlib.pyplot as plt
from ironpdf import License, ImageToPdfConverter

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

def readucr(filename):
    """Read and parse UCR formatted data."""
    data = np.loadtxt(filename, delimiter="\t")
    y = data[:, 0]
    x = data[:, 1:]
    return x, y.astype(int)

# Define the root URL for the dataset
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")

# Extract unique classes from the dataset
classes = np.unique(np.concatenate((y_train, y_test), axis=0))

# Plot example data for each class
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()

# Convert the saved image to a PDF
ImageToPdfConverter.ImageToPdf("data.png").SaveAs("plot.pdf")

Code-Erklärung

1. Bibliotheken importieren:

   • Der Code beginnt mit dem Import der benötigten Bibliotheken:
     • Keras: Eine beliebte Deep-Learning-Bibliothek.
     • numpy (als np): Wird für numerische Operationen verwendet.
     • matplotlib.pyplot (als plt): Wird zum Erstellen von Diagrammen verwendet.
     • ironpdf: Die IronPDF-Bibliothek zum Arbeiten mit PDFs.

2. Festlegen des Lizenzschlüssels:

   • Die Zeile License.LicenseKey = "your key" legt den Lizenzschlüssel für IronPDF fest.

3. Daten lesen:

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

4. Laden der Trainings- und Testdaten:

   • Der Code konstruiert URLs für Trainings- und Testdatendateien im Zusammenhang mit dem "FordA"-Datensatz.
   • Es lädt die Daten mithilfe der Funktion readucr.

5. Daten grafisch darstellen:

   • Der Code identifiziert eindeutige Klassen im Datensatz.
   • Für jede Klasse wird die erste Instanz (c_x_train[0]) ausgewählt und dargestellt.
   • Die Legende gibt die Klassenbezeichnung an.

6. Die Handlung retten:

   • Das Diagramm wird als Bilddatei mit dem Namen "data.png" gespeichert.

7. Bild in PDF konvertieren:

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

Ausgegebenes PDF