AIDE PYTHON

Keras Python (Comment ça marche pour les développeurs)

Name: IronPDF
Brand: Iron Software
Availability: InStock
Rating: 4.87 (307 reviews)

Mis à jour:juin 22, 2025

Keras est une bibliothèque Python puissante et facile à utiliser pour développer et évaluer des modèles d'apprentissage profond. Initialement développé par François Chollet, les modèles Keras ont gagné en popularité pour leur simplicité et leur interface conviviale, ce qui en fait un excellent choix tant pour les débutants que pour les experts en apprentissage automatique.

De plus, nous examinerons la bibliothèque de génération PDF IronPDF et comment nous pouvons combiner ces deux bibliothèques pour générer des résultats et les exporter en PDF.

Caractéristiques clés de Keras

1. Convivialité et modularité

Avec la phrase accrocheuse 'Deep learning for humans', Keras est conçu pour être facile à utiliser, modulaire et extensible. Les modèles Keras fournissent des retours clairs et exploitables en cas d'erreurs, ce qui aide les développeurs à déboguer et optimiser efficacement leurs modèles.

2. Soutien à plusieurs backends

Keras peut fonctionner sur divers frameworks d'apprentissage profond tels que TensorFlow, Theano et Microsoft Cognitive Toolkit (CNTK). Cette flexibilité permet aux développeurs de choisir le backend qui répond le mieux à leurs besoins.

3. Soutien étendu pour les réseaux de neurones

Keras prend en charge un large éventail de couches de réseau de neurones, y compris les couches convolutionnelles, récurrentes et pleinement connectées. Il prend également en charge des architectures complexes telles que les modèles à entrées multiples et sorties multiples, le partage de couches et le partage de modèles.

4. Outils de prétraitement

Keras inclut des utilitaires pour le prétraitement des données, tels que le traitement d'images et de texte, qui simplifient la préparation des ensembles de données pour l'entraînement des modèles.

5. Outils de visualisation et de débogage des modèles

Keras offre des outils pour visualiser la structure des réseaux de neurones et suivre le processus d'entraînement. Cela est crucial pour comprendre le comportement des modèles et apporter les ajustements nécessaires. Le type de modèle le plus simple est le modèle Keras séquentiel, qui est simplement une pile linéaire de couches.

Installation

Installer Keras est simple. Vous pouvez l'installer en utilisant pip :

pip install keras
pip install tensorflow

pip install keras
pip install tensorflow

SHELL

Construire un réseau de neurones simple avec Keras

Ci-dessous un exemple de construction d'un réseau de neurones feedforward simple à l'aide de Keras :

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()

PYTHON

Sortie

Keras Python (Comment ça fonctionne pour les développeurs) : Figure 1 - Modèle de réseau de neurones sorti

Applications du monde réel

1. Classification d'images

Keras est largement utilisé dans les tâches de classification d'images. Par exemple, les réseaux de neurones convolutionnels (CNN) construits avec Keras peuvent atteindre une grande précision dans la reconnaissance d'objets dans les images.

2. Traitement du langage naturel

Keras fournit des outils pour créer des modèles capables de traiter et comprendre le langage humain. Les réseaux de neurones récurrents (RNN) et les réseaux à mémoire à long terme (LSTM) dans Keras sont couramment utilisés pour des tâches telles que l'analyse de sentiment et la traduction automatique.

3. Modèles génératifs

Keras peut être utilisé pour développer des modèles génératifs tels que les réseaux antagonistes génératifs (GAN), qui sont utilisés pour générer de nouveaux échantillons de données ressemblant aux données d'entraînement.

Présentation d'IronPDF

Keras Python (Comment ça fonctionne pour les développeurs) : Figure 2 - Page de IronPDF pour Python

IronPDF est une bibliothèque Python puissante développée et maintenue par Iron Software. Elle permet aux développeurs de créer, éditer et extraire du contenu PDF dans des projets Python. Voici quelques fonctionnalités clés d'IronPDF :

Génération de PDF :
- Vous pouvez générer des PDF à partir de diverses sources, y compris HTML, URLs, JavaScript, CSS et formats d'image.
- En-têtes, pieds de page, signatures, pièces jointes et fonctions de sécurité peuvent être ajoutés aux PDF générés.
Optimisation des performances :
- IronPDF supporte le multithreading complet et les opérations asynchrones.
Compatibilité multiplateforme :
- Elle fonctionne avec Python 3.7+ sur Windows, macOS, Linux, Docker, Azure et AWS.

Pour commencer, installez IronPDF en utilisant pip :

pip install ironpdf

pip install ironpdf

SHELL

Une fois installé, vous pouvez créer des PDFs en utilisant soit le contenu HTML soit les URLs. Voici des exemples :

HTML vers PDF :

from ironpdf import ChromePdfRenderer

# Create a PDF renderer
renderer = ChromePdfRenderer()

# Render HTML content as a PDF
pdf = renderer.RenderHtmlAsPdf("<h1>Hello World</h1>")
pdf.SaveAs("ironAwesome.pdf")

from ironpdf import ChromePdfRenderer

# Create a PDF renderer
renderer = ChromePdfRenderer()

# Render HTML content as a PDF
pdf = renderer.RenderHtmlAsPdf("<h1>Hello World</h1>")
pdf.SaveAs("ironAwesome.pdf")

PYTHON

URL vers PDF :

from ironpdf import ChromePdfRenderer

# Create a PDF renderer
renderer = ChromePdfRenderer()

# Render a URL as a PDF
pdf = renderer.RenderUrlAsPdf("https://ironpdf.com/python/")
pdf.SaveAs("ironAwesome.pdf")

from ironpdf import ChromePdfRenderer

# Create a PDF renderer
renderer = ChromePdfRenderer()

# Render a URL as a PDF
pdf = renderer.RenderUrlAsPdf("https://ironpdf.com/python/")
pdf.SaveAs("ironAwesome.pdf")

PYTHON

IronPDF et Keras Python : Génération de PDF du modèle

Installation

pip install ironpdf
pip install keras
pip install tensorflow

pip install ironpdf
pip install keras
pip install tensorflow

SHELL

Générez maintenant le tracé du modèle et exportez-le en PDF en utilisant le code ci-dessous :

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")

PYTHON

Explication du code

Importations des bibliothèques :
- Le code commence par importer les bibliothèques nécessaires :
  - Keras : Une bibliothèque populaire d'apprentissage profond.
  - numpy (en tant que np) : Utilisé pour les opérations numériques.
  - matplotlib.pyplot (en tant que plt) : Utilisé pour créer des graphiques.
  - ironpdf : La bibliothèque IronPDF pour travailler avec les PDFs.
Définition de la clé de licence :
- La ligne License.LicenseKey = "votre clé" définit la clé de licence pour IronPDF.
Lecture des données :
- La fonction readucr lit les données à partir de fichiers ayant un format spécifique (valeurs tabulées).
- Elle extrait les étiquettes (y) et les caractéristiques (x) des données.
Chargement des données d'entraînement et de test :
- Le code construit des URLs pour les fichiers de données d'entraînement et de test liés au jeu de données "FordA".
- Il charge les données en utilisant la fonction readucr.
Tracé des données :
- Le code identifie les classes uniques dans le jeu de données.
- Pour chaque classe, il sélectionne la première instance (c_x_train[0]) et la trace.
- La légende indique l'étiquette de la classe.
Sauvegarde du tracé :
- Le tracé est sauvegardé en tant que fichier image nommé "data.png".
Conversion de l'image en PDF :
- Le ImageToPdfConverter d'IronPDF convertit l'image sauvegardée ("data.png") en un fichier PDF ("plot.pdf").

Sortieted PDF

Keras Python (Comment ça fonctionne pour les développeurs) : Figure 3 - PDF produit à partir du code précédent

Licence IronPDF

Keras Python (Comment ça fonctionne pour les développeurs) : Figure 4 - Page de licence de IronPDF pour Python

IronPDF nécessite une licence pour fonctionner, comme montré dans le code ci-dessus. Définissez la clé de licence au début du script comme suit :

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

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

PYTHON

Si vous êtes intéressé par une licence d'essai pour la bibliothèque IronPDF, une clé de licence d'essai peut être obtenue ici.

Conclusion

La bibliothèque d'intelligence artificielle Python Keras se distingue dans la communauté de l'apprentissage profond grâce à sa simplicité et sa flexibilité. Elle abstrait une grande partie de la complexité impliquée dans la construction des réseaux de neurones, permettant aux développeurs de se concentrer sur la conception et l'expérimentation de modèles. Que vous soyez un débutant commençant tout juste avec l'apprentissage profond ou un praticien expérimenté, Keras fournit les outils nécessaires pour donner vie à vos idées grâce à son émulation du cerveau humain.

IronPDF, d'autre part, est une bibliothèque polyvalente de génération et de manipulation PDF qui facilite l'exportation des résultats en PDF. Avoir ces deux compétences aidera les utilisateurs à écrire des modèles de science des données modernes et à exporter le résultat en PDF pour la documentation des résultats.

Curtis Chau

Discutez maintenant avec l'équipe d'ingénierie

Rédacteur technique

Curtis Chau détient un baccalauréat en informatique (Université de Carleton) et se spécialise dans le développement front-end avec expertise en Node.js, TypeScript, JavaScript et React. Passionné par la création d'interfaces utilisateur intuitives et esthétiquement plaisantes, Curtis aime travailler avec des frameworks modernes ...