Keras Python (Jak działa dla programistów)

1. Przyjazny dla użytkownika i modułowy

Zgodnie z hasłem "Deep learning for humans" (Głębokie uczenie się dla ludzi) Keras został zaprojektowany tak, aby był łatwy w użyciu, modułowy i rozszerzalny. Modele Keras zapewniają jasne i przydatne informacje zwrotne w przypadku błędów, co pomaga programistom w skutecznym debugowaniu i optymalizacji modeli.

2. Obsługa wielu backendów

Keras może działać w oparciu o różne frameworki uczenia głębokiego, takie jak TensorFlow, Theano i Microsoft Cognitive Toolkit (CNTK). Ta elastyczność pozwala programistom wybrać backend, który najlepiej odpowiada ich potrzebom.

3. Rozbudowana obsługa sieci neuronowych

Keras obsługuje szeroki zakres warstw sieci neuronowych, w tym warstwy konwolucyjne, warstwy rekurencyjne i warstwy w pełni połączone. Zapewnia również obsługę złożonych architektur, takich jak modele wielowejściowe i wielowyjściowe, współdzielenie warstw oraz współdzielenie modeli.

4. Narzędzia do przetwarzania wstępnego

Keras zawiera narzędzia do wstępnego przetwarzania danych, takie jak przetwarzanie obrazów i tekstu, które upraszczają przygotowanie zbiorów danych do szkolenia modeli.

5. Narzędzia do wizualizacji modeli i debugowania

Keras oferuje narzędzia do wizualizacji struktury sieci neuronowych i monitorowania procesu uczenia. Ma to kluczowe znaczenie dla zrozumienia działania modeli i wprowadzenia niezbędnych zmian. Najprostszym typem modelu jest model sekwencyjny Keras, który jest po prostu liniowym stosem warstw.

Budowanie prostej sieci neuronowej za pomocą Keras

Poniżej znajduje się przykład tworzenia prostej sieci neuronowej typu feedforward przy użyciu 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()

Wynik

1. Klasyfikacja obrazów

Keras jest szeroko stosowany w zadaniach związanych z klasyfikacją obrazów. Na przykład konwolucyjne sieci neuronowe (CNN) zbudowane przy użyciu Keras mogą osiągać wysoką dokładność w rozpoznawaniu obiektów na obrazach.

2. Przetwarzanie języka naturalnego

Keras udostępnia narzędzia do tworzenia modeli, które potrafią przetwarzać i rozumieć język ludzki. Sieci neuronowe typu RNN (Recurrent Neural Networks) oraz sieci LSTM (Long Short-Term Memory) w bibliotece Keras są powszechnie wykorzystywane do zadań takich jak analiza nastrojów i tłumaczenie maszynowe.

3. Modele generatywne

Keras może być wykorzystywany do tworzenia modeli generatywnych, takich jak Generative Adversarial Networks (GAN), które służą do generowania nowych próbek danych przypominających dane szkoleniowe.

Instalacja

pip install ironpdf
pip install keras
pip install tensorflow

pip install ironpdf
pip install keras
pip install tensorflow

Teraz wygeneruj wykres modelu i wyeksportuj go do pliku PDF, korzystając z poniższego kodu:

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")

Wyjaśnienie kodu

1. Importowanie bibliotek:

   • Kod rozpoczyna się od zaimportowania niezbędnych bibliotek:
     • Keras: popularna biblioteka do głębokiego uczenia.
     • numpy (jako np): Służy do operacji numerycznych.
     • matplotlib.pyplot (jako plt): Służy do tworzenia wykresów.
     • ironpdf: Biblioteka IronPDF do pracy z plikami PDF.

2. Ustawianie klucza licencyjnego:

   • Wiersz License.LicenseKey = "your key" ustawia klucz licencyjny dla IronPDF.

3. Odczytywanie danych:

   • Funkcja readucr odczytuje dane z plików o określonym formacie (wartości rozdzielone tabulatorami).
   • Wyodrębnia etykiety (y) i cechy (x) z danych.

4. Ładowanie danych szkoleniowych i testowych:

   • Kod tworzy adresy URL dla plików danych szkoleniowych i testowych związanych z zestawem danych "FordA".
   • Ładuje dane za pomocą funkcji readucr.

5. Wykresy danych:

   • Kod identyfikuje unikalne klasy w zbiorze danych.
   • Dla każdej klasy wybiera pierwszą instancję (c_x_train[0]) i wykreśla ją.
   • Legenda wskazuje etykietę klasy.

6. Ratowanie fabuły:

   • Wykres jest zapisywany jako plik graficzny o nazwie "data.png".

7. Konwersja obrazu do formatu PDF:

   • Funkcja ImageToPdfConverter z IronPDF konwertuje zapisany obraz ("data.png") na plik PDF ("plot.pdf").

Wynikowy plik PDF