Keras Python (Comment ça marche pour les développeurs)

Introduction

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

Nous nous pencherons également sur laIronPDF La bibliothèque de génération de PDF et la manière dont nous pouvons combiner ces deux bibliothèques pour générer des résultats et les exporter au format PDF. des modèles profonds,

Principales caractéristiques de Keras

1. **Convivialité et modularité

Avec pour slogan "L'apprentissage en profondeur pour les humains", Keras est conçu pour être facile à utiliser, modulaire et extensible. Les modèles Keras fournissent un retour d'information clair et exploitable en cas d'erreur, ce qui aide les développeurs à déboguer et à optimiser leurs modèles de manière efficace.

2. Support pour les backends multiples

Keras peut s'exécuter au-dessus de divers cadres 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. **Prise en charge étendue des réseaux neuronaux

Keras prend en charge un large éventail de couches de réseaux neuronaux, notamment les couches convolutives, les couches récurrentes et les couches entièrement connectées. Il prend également en charge les architectures complexes telles que les modèles à entrées et sorties multiples, le partage des couches et le partage des modèles.

4. Utilitaires de prétraitement

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

5. Outils de visualisation et de débogage de modèles

Keras propose des outils permettant de visualiser la structure des réseaux neuronaux et de contrôler le processus de formation. Ceci est crucial pour comprendre le comportement des modèles et faire les ajustements nécessaires. Le type de modèle le plus simple est le modèle Keras séquentiel, qui consiste simplement en une pile linéaire de couches.

Installation

L'installation de Keras est simple. Vous pouvez l'installer en utilisant pip :

pip install keras 
pip install tensorflow

Construire un réseau neuronal simple avec Keras

Vous trouverez ci-dessous un exemple de construction d'un réseau neuronal feedforward simple à l'aide de 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()

Sortie

Applications dans le monde réel

1. Classification des images

Keras est largement utilisé dans les tâches de classification d'images. Par exemple, les réseaux neuronaux convolutifs(CNNs) construit avec Keras peut atteindre une grande précision dans la reconnaissance d'objets dans les images.

2. Traitement du langage naturel

Keras fournit des outils pour construire des modèles capables de traiter et de comprendre le langage humain. Réseaux neuronaux récurrents(RNN) et la mémoire à long terme(LSTM) dans Keras sont couramment utilisés pour des tâches telles que l'analyse des sentiments et la traduction automatique.

3. Modèles génératifs

Keras peut être utilisé pour développer des modèles génératifs tels que les réseaux adversoriels génératifs(GANs)qui sont utilisés pour générer de nouveaux échantillons de données qui ressemblent aux données d'apprentissage.

Présentation d'IronPDF

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

1. Génération de PDF :

   • Vous pouvez générer des PDF à partir de diverses sources, notamment HTML, URL, JavaScript, CSS et formats d'image.
   • Des en-têtes, des pieds de page, des signatures, des pièces jointes et des dispositifs de sécurité peuvent être ajoutés aux PDF générés.

2. Optimisation des performances :

   • IronPDF prend en charge le multithreading complet et les opérations asynchrones.

3. Compatibilité multiplateforme :

   • Il fonctionne avec Python 3.7+ sur Windows, macOS, Linux, Docker, Azure et AWS.

   Pour commencer, installez IronPDF à l'aide de pip :

pip install ironpdf

Une fois installé, vous pouvez créer des PDF en utilisant du contenu HTML ou des URL. Voici quelques exemples :

1. HTML à 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 to 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 for Python : Générer un PDF du modèle

Installation

pip install ironpdf
pip install keras
pip install tensorflow

Maintenant, générez le tracé du modèle et exportez-le au format PDF à l'aide du code ci-dessous :

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")

Explication du code

1. Importer des bibliothèques :

   • Le code commence par importer les bibliothèques nécessaires :

     • Keras : Une bibliothèque populaire d'apprentissage profond.

     • numpy(comme np): Utilisé pour les opérations numériques.

     • matplotlib.pyplot(comme plt): Utilisé pour créer des graphiques.
     • ironPDF : La bibliothèque IronPDF pour travailler avec les PDF.

2. Configuration de la clé de licence :

   • La ligne License.LicenseKey = "votre clé" définit la clé de licence pour IronPDF.

3. Lecture de données :

   • La fonction readucr permet de lire des données à partir de fichiers ayant un format spécifique(valeurs séparées par des tabulations).
   • Il extrait les étiquettes(y) et présente les caractéristiques suivantes(x) à partir des données.

4. Chargement des données de formation et de test :

   • Le code construit des URL pour les fichiers de données d'entraînement et de test liés à l'ensemble de données "FordA".
   • Il charge les données à l'aide de la fonction readucr.

5. Traçage des données :

   • Le code identifie les classes uniques dans l'ensemble de données.

   • Pour chaque classe, il sélectionne la première instance(c#_x_train[0]) et le trace.
   • La légende indique l'étiquette de la classe.

6. Saving the Plot :

   • Le tracé est enregistré dans un fichier image nommé "data.png".

7. Conversion d'images en PDF :

   • Le convertisseur ImageToPdf d'IronPDF convertit l'image sauvegardée("data.png") vers un fichier PDF("plot.pdf").

PDF édité

Licence d'IronPDF

IronPDF nécessite une licence pour fonctionner, comme le montre 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"

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

Conclusion

La bibliothèque Python d'intelligence artificielle Keras se distingue dans la communauté du deep learning par sa simplicité et sa flexibilité. Il fait abstraction d'une grande partie de la complexité liée à la construction de réseaux neuronaux, ce qui permet aux développeurs de se concentrer sur la conception et l'expérimentation de modèles. Que vous soyez un débutant qui s'initie à 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, quant à lui, est une bibliothèque polyvalente de génération et de manipulation de PDF qui facilite l'exportation de résultats vers des PDF. Ces deux compétences aideront les utilisateurs à écrire des modèles modernes de science des données et à exporter la sortie au format PDF pour la documentation des résultats.