Keras Python (Cómo funciona para desarrolladores)

Introducción

Keras es una biblioteca de Python potente y fácil de usar para desarrollar y evaluar modelos de aprendizaje profundo. Desarrollados inicialmente por François Chollet, los modelos Keras han ganado popularidad por su sencillez y su interfaz fácil de usar, lo que los convierte en una excelente opción tanto para principiantes como para expertos en el campo del aprendizaje automático.

Además, examinaremos laIronPDF Biblioteca de generación de PDF y cómo podemos combinar estas dos bibliotecas para generar resultados y exportarlos a PDF. modelos profundos,

Características principales de Keras

1. Fácil de usar y modular

Con el eslogan "Aprendizaje profundo para humanos", Keras está diseñado para ser fácil de usar, modular y extensible. Los modelos Keras proporcionan información clara y procesable sobre los errores, lo que ayuda a los desarrolladores a depurar y optimizar sus modelos de manera eficiente.

2. Soporte para múltiples backends

Keras puede ejecutarse sobre varios marcos de aprendizaje profundo, como TensorFlow, Theano y Microsoft Cognitive Toolkit(CNTK). Esta flexibilidad permite a los desarrolladores elegir el backend que mejor se adapte a sus necesidades.

3. Amplio soporte para redes neuronales

Keras soporta una amplia gama de capas de redes neuronales, incluyendo capas convolucionales, capas recurrentes y capas totalmente conectadas. También es compatible con arquitecturas complejas, como los modelos multientrada y multisalida, la compartición de capas y la compartición de modelos.

4. Utilidades de preprocesamiento

Keras incluye utilidades para el preprocesamiento de datos, como el procesamiento de imágenes y texto, que simplifican la preparación de conjuntos de datos para el entrenamiento de modelos.

5. Herramientas de visualización y depuración de modelos

Keras ofrece herramientas para visualizar la estructura de las redes neuronales y supervisar el proceso de entrenamiento. Esto es crucial para comprender el comportamiento de los modelos y realizar los ajustes necesarios. El tipo de modelo más simple es el modelo Keras secuencial, que es simplemente una pila lineal de capas.

Instalación

La instalación de Keras es sencilla. Puede instalarlo utilizando pip:

pip install keras 
pip install tensorflow

Creación de una red neuronal sencilla con Keras

A continuación se muestra un ejemplo de cómo construir una red neuronal feedforward simple usando 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()

Salida

Aplicaciones reales

1. Clasificación de imágenes

Keras se utiliza ampliamente en tareas de clasificación de imágenes. Por ejemplo, las redes neuronales convolucionales(CNNs) construido con Keras puede alcanzar una gran precisión en el reconocimiento de objetos en imágenes.

2. **Procesamiento del lenguaje natural

Keras proporciona herramientas para construir modelos capaces de procesar y comprender el lenguaje humano. Redes neuronales recurrentes(RNNs) y la memoria a corto plazo(LSTM) en Keras se utilizan habitualmente para tareas como el análisis de sentimientos y la traducción automática.

3. Modelos Generativos

Keras puede utilizarse para desarrollar modelos generativos, como las redes generativas adversariales(GANs)que se utilizan para generar nuevas muestras de datos que se asemejan a los datos de entrenamiento.

Presentación de IronPDF

IronPDF es una potente biblioteca Python desarrollada y mantenida por Iron Software. Permite a los desarrolladores crear, editar y extraer contenido PDF en proyectos Python. Estas son algunas de las principales características de IronPDF:

1. Generación de PDF:

   • Puede generar PDF a partir de diversas fuentes, como HTML, URL, JavaScript, CSS y formatos de imagen.
   • Se pueden añadir encabezados, pies de página, firmas, archivos adjuntos y funciones de seguridad a los PDF generados.

2. Optimización del rendimiento:

   • IronPDF es totalmente multihilo y admite operaciones asíncronas.

3. Compatibilidad multiplataforma:

   • Funciona con Python 3.7+ en Windows, macOS, Linux, Docker, Azure y AWS.

   Para empezar, instale IronPDF con pip:

pip install ironpdf

Una vez instalado, puede crear PDF utilizando contenidos HTML o URL. He aquí algunos ejemplos:

1. HTML a 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 a 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 y Keras Python: Generación de PDF del modelo

Instalación

pip install ironpdf
pip install keras
pip install tensorflow

Ahora genere el gráfico del modelo y expórtelo a un PDF utilizando el siguiente código:

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")

Código Explicación

1. Importación de bibliotecas:

   • El código comienza importando las bibliotecas necesarias:

     • Keras: Una popular librería de aprendizaje profundo.

     • numpy(como np): Se utiliza para operaciones numéricas.

     • matplotlib.pyplot(como plt): Se utiliza para crear parcelas.
     • ironPDF: La biblioteca IronPDF para trabajar con archivos PDF.

2. Configuración de la clave de licencia:

   • La línea License.LicenseKey = "su clave" establece la clave de licencia para IronPDF.

3. Lectura de datos:

   • La función readucr lee datos de ficheros con un formato específico(valores separados por tabuladores).
   • Extrae etiquetas(y) y características(x) de los datos.

4. Carga de datos de entrenamiento y prueba:

   • El código construye URL para archivos de datos de entrenamiento y prueba relacionados con el conjunto de datos "FordA".
   • Carga los datos utilizando la función readucr.

5. Trazado de datos:

   • El código identifica clases únicas en el conjunto de datos.

   • Para cada clase, selecciona la primera instancia(c_x_train[0]) y lo traza.
   • La leyenda indica la etiqueta de la clase.

6. Salvando la trama:

   • El gráfico se guarda como un archivo de imagen llamado "data.png".

7. Convertir imagen en PDF:

   • El ImageToPdfConverter de IronPDF convierte la imagen guardada("datos.png") a un archivo PDF("plot.pdf").

PDF de salida

Licencia IronPDF

IronPDF requiere una licencia para ejecutarse, como se muestra en el código anterior. Establezca la clave de licencia al principio del script como tal:

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

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

Si está interesado en una licencia de prueba para la biblioteca IronPDF, puede obtener una clave de licencia de prueba enaquí.

Conclusión

La biblioteca Python de inteligencia artificial Keras destaca en la comunidad del aprendizaje profundo por su sencillez y flexibilidad. Abstrae gran parte de la complejidad que entraña la construcción de redes neuronales, lo que permite a los desarrolladores centrarse en el diseño y la experimentación con modelos. Tanto si eres un principiante que acaba de empezar con el aprendizaje profundo como si eres un profesional experimentado, Keras te proporciona las herramientas necesarias para dar vida a tus ideas gracias a su emulación del cerebro humano.

IronPDF, por su parte, es una biblioteca versátil de generación y manipulación de PDF que facilita la exportación de resultados a PDF. Contar con estos dos conocimientos ayudará a los usuarios a escribir modelos modernos de ciencia de datos y a exportar el resultado a PDF para documentar los resultados.