Keras em Python (Como funciona para desenvolvedores)

1. Fácil de usar e modular

Com o slogan "Aprendizado profundo para humanos", o Keras foi projetado para ser fácil de usar, modular e extensível. Os modelos Keras fornecem feedback claro e prático sobre erros, o que ajuda os desenvolvedores a depurar e otimizar seus modelos de forma eficiente.

2. Suporte para múltiplos backends

O Keras pode ser executado em diversas estruturas de aprendizado profundo, como TensorFlow, Theano e Microsoft Cognitive Toolkit (CNTK). Essa flexibilidade permite que os desenvolvedores escolham o backend que melhor atenda às suas necessidades.

3. Amplo suporte para redes neurais

O Keras suporta uma ampla gama de camadas de redes neurais, incluindo camadas convolucionais, camadas recorrentes e camadas totalmente conectadas. Também oferece suporte a arquiteturas complexas, como modelos com múltiplas entradas e múltiplas saídas, compartilhamento de camadas e compartilhamento de modelos.

4. Utilitários de pré-processamento

O Keras inclui utilitários para pré-processamento de dados, como processamento de imagens e texto, que simplificam a preparação de conjuntos de dados para treinamento de modelos.

5. Ferramentas de visualização e depuração de modelos

O Keras oferece ferramentas para visualizar a estrutura de redes neurais e monitorar o processo de treinamento. Isso é crucial para entender o comportamento dos modelos e fazer os ajustes necessários. O tipo de modelo mais simples é o modelo Sequencial do Keras, que é simplesmente uma pilha linear de camadas.

Construindo uma Rede Neural Simples com Keras

Abaixo, segue um exemplo de como construir uma rede neural feedforward simples usando 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()

Saída

1. Classificação de Imagens

O Keras é amplamente utilizado em tarefas de classificação de imagens. Por exemplo, as redes neurais convolucionais (CNNs) construídas com Keras podem alcançar alta precisão no reconhecimento de objetos em imagens.

2. Processamento de Linguagem Natural

O Keras fornece ferramentas para construir modelos capazes de processar e compreender a linguagem humana. Redes neurais recorrentes (RNNs) e redes de memória de longo prazo (LSTM) no Keras são comumente usadas para tarefas como análise de sentimentos e tradução automática.

3. Modelos Generativos

O Keras pode ser usado para desenvolver modelos generativos, como as Redes Adversárias Generativas (GANs), que são usadas para gerar novas amostras de dados semelhantes aos dados de treinamento.

Instalação

pip install ironpdf
pip install keras
pip install tensorflow

pip install ironpdf
pip install keras
pip install tensorflow

Agora, gere o gráfico do modelo e exporte-o para um PDF usando o código abaixo:

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")

Explicação do código

1. Importando bibliotecas:

   • O código começa importando as bibliotecas necessárias:
     • Keras: Uma biblioteca popular de aprendizado profundo.
     • numpy (como np): Usado para operações numéricas.
     • matplotlib.pyplot (como plt): Usado para criar gráficos.
     • IronPDF: A biblioteca IronPDF para trabalhar com PDFs.

2. Definindo a chave de licença:

   • A linha License.LicenseKey = "your key" define a chave de licença para o IronPDF.

3. Leitura de dados:

   • A função readucr lê dados de arquivos com um formato específico (valores separados por tabulação).
   • Extrai rótulos (y) e características (x) dos dados.

4. Carregando dados de treinamento e teste:

   • O código constrói URLs para arquivos de dados de treinamento e teste relacionados ao conjunto de dados "FordA".
   • Ele carrega os dados usando a função readucr.

5. Representação gráfica dos dados:

   • O código identifica classes únicas no conjunto de dados.
   • Para cada classe, ele seleciona a primeira instância (c_x_train[0]) e a plota.
   • A legenda indica o rótulo da classe.

6. Salvando o enredo:

   • O gráfico foi salvo como um arquivo de imagem chamado "data.png".

7. Converter imagem para PDF:

   • O ImageToPdfConverter do IronPDF converte a imagem salva ("data.png") em um arquivo PDF ("plot.pdf").

PDF gerado