Keras Python (Geliştiriciler İçin Nasıl Çalışir)

1. Kullanıcı Dostu ve Modüler

'İnsanlar için derin öğrenme' sloganıyla, Keras kullanımı kolay, modüler ve genişletilebilir olacak şekilde tasarlanmıştır. Keras modelleri, hatalar üzerine açık ve uygulanabilir geri bildirim sağlar, bu da geliştiricilerin modellerini etkili bir şekilde hata ayıklayıp optimize etmelerine yardımcı olur.

2. Birden Fazla Destekleyici Arkayüz Desteği

Keras, TensorFlow, Theano ve Microsoft Cognitive Toolkit (CNTK) gibi çeşitli derin öğrenme çerçeveleri üzerinde çalışabilir. Bu esneklik, geliştiricilerin ihtiyaçlarına en uygun arkayüzü seçmelerine olanak tanır.

3. Geniş Sinir Ağları Desteği

Keras, konvolüsyonel katmanlar, tekrarlayan katmanlar ve tam bağlantılı katmanlar dahil olmak üzere geniş bir yelpazede sinir ağı katmanlarını destekler. Ayrıca, çoklu giriş ve çoklu çıkış modelleri, katman paylaşımı ve model paylaşımı gibi karmaşık mimarilere destek sunar.

4. Ön İşlem Yardımcı Araçları

Keras, veri kümelerini model eğitimi için hazırlamayı basitleştiren resim ve metin işleme gibi veri ön işleme için yardımcı araçlar içerir.

5. Model Görselleştirme ve Hata Ayıklama Araçları

Keras, sinir ağlarının yapısını görselleştirme ve eğitim sürecini izleme araçları sunar. Bu, modellerin davranışını anlamak ve gerekli ayarlamaları yapmak için önemlidir. En basit model türü, sadece bir katman yığını olan Sıralı Keras modelidir.

Keras ile Basit Bir Sinir Ağı İnşa Etme

Aşağıda, Keras kullanarak basit bir ileri beslemeli sinir ağı oluşturmanın bir örneği bulunmaktadır:

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()

Çıktı

1. Görüntü Sınıflandırma

Keras, görüntü sınıflandırma görevlerinde yaygın olarak kullanılır. Örneğin, Keras ile oluşturulan konvolüsyonel sinir ağları (CNN'ler), görüntülerdeki nesneleri yüksek doğrulukla tanıyabilir.

2. Doğal Dil İşleme

Keras, insan dilini işleme ve anlama yeteneğine sahip modeller oluşturmak için araçlar sunar. Keras'ta tekrarlayan sinir ağları (RNN'ler) ve Uzun Kısa Süreli Bellek (LSTM) ağları, duygu analizi ve makine çevirisi gibi görevler için yaygın olarak kullanılır.

3. Üreteç Modeller

Keras, Generative Adversarial Networks (GANs) gibi yeni veri örnekleri üretmek için kullanılan generatif modeller geliştirmek için kullanılabilir.

Kurulum

pip install ironpdf keras tensorflow

Şimdi model grafiğini üretin ve aşağıdaki kodu kullanarak bir PDF'ye aktaran:

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")

Kod Açıklaması

1. Kütüphanelerin İçe Aktarılması:

   • Kod, gerekli kütüphaneleri içe aktararak başlar:
     • Keras: Popüler bir derin öğrenme kütüphanesi.
     • numpy (as np): Sayısal işlemler için kullanılır.
     • matplotlib.pyplot (as plt): Grafik oluşturmak için kullanılır.
   • IronPDF: PDF'lerle çalışmak için IronPDF kütüphanesi.
2. Lisans Anahtarını Ayarlama:

• Satır License.LicenseKey = "your key" IronPDF için lisans anahtarını ayarlar.

3. Veri Okuma:

• readucr işlevi, belirli bir formatla (sekme ile ayrılmış değerler) dosyalardan veri okur.
  • Verilerden etiketleri (y) ve özellikleri (x) çıkarır.

4. Eğitim ve Test Verilerini Yükleme:

   • Kod, 'FordA' veri kümesi ile ilişkili eğitim ve test veri dosyaları için URL'ler oluşturur.
   • Verileri readucr işleviyle yükler.

5. Verileri Çizme:

   • Kod, veri kümesinde benzersiz sınıfları tanımlar.
   • Her sınıf için ilk örneği (c_x_train[0]) seçer ve çizer.
   • Efsane, sınıf etiketini gösterir.

6. Grafiği Kaydetme:

   • Grafik, 'data.png' adlı bir görüntü dosyası olarak kaydedilir.
7. Görüntüyü PDF'ye Dönüştürme:

• IronPDF'den ImageToPdfConverter kaydedilmiş resmi ("data.png") PDF dosyasına ("plot.pdf") dönüştürür.

Çıktı PDF