Keras Python (Geliştiriciler İçin Nasıl Çalışir)

1. Kullanıcı Dostu ve Modüler

'İnsancıl Derin Öğrenme' sloganı ile Keras, kullanımının kolay olması, modüler ve genişletilebilir olması için tasarlanmıştır. Keras modelleri, hatalar durumunda geliştiricilere açık ve eyleme geçirilebilir geri bildirimler sağlar, bu da geliştiricilerin modellerini verimli bir şekilde hata ayıklamalarına ve optimize etmelerine yardımcı olur.

2. Çoklu Backend Desteği

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

3. Yapay Sinir Ağları için Geniş Destek

Keras, evrişimli katmanlar, yinelemeli katmanlar ve tam bağlantılı katmanlar dahil olmak üzere geniş bir yapay sinir ağı katmanı yelpazesini destekler. Ayrıca çoklu giriş ve çoklu çıkış modelleri, katman paylaşımı ve model paylaşımı gibi karmaşık mimarileri destekler.

4. Ön işleme Araçları

Keras, model eğitim setlerinin hazırlanmasını basitleştiren, görüntü ve metin işleme gibi veri ön işleme araçlarına sahiptir.

5. Model Görselleştirme ve Hata Ayıklama Araçları

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

Keras ile Basit Bir Yapay Sinir Ağı Oluşturma

Aşağıda, Keras kullanarak basit bir ileri beslemeli yapay sinir ağı oluşturma örneği verilmiştir:

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 evrişimli sinir ağları (CNN'ler), görüntülerdeki nesneleri tanımada yüksek doğruluk sağlayabilir.

2. Doğal Dil İşleme

Keras, insan dilini işleyebilen ve anlayabilen modeller geliştirmek için araçlar sağlar. Keras'taki yinelemeli sinir ağları (RNN'ler) ve Uzun Kısa Vadeli Bellek (LSTM) ağları, duygu analizi ve makine çevirisi gibi görevlerde yaygın olarak kullanılır.

3. Üretici Modeller

Keras, eğitim verilerine benzeyen yeni veri örnekleri üretmek için kullanılan Üretici Çekişmeli Ağlar (GAN'ler) gibi üretici modeller geliştirmek için kullanılabilir.

Kurulum

pip install ironpdf
pip install keras
pip install tensorflow

pip install ironpdf
pip install keras
pip install tensorflow

Şimdi model grafiğini oluşturun ve aşağıdaki kod ile bunu PDF olarak dışa aktarın:

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 İthal Edilmesi:

   • Kod, gerekli kütüphaneleri ithal ederek başlar:
     • Keras: Popüler bir derin öğrenme kütüphanesi.
     • numpy (np olarak): Sayısal işlemler için kullanılır.
     • matplotlib.pyplot (plt olarak): Grafik oluşturmak için kullanılır.
     • ironpdf: PDF'lerle çalışmak için IronPDF kütüphanesi.

2. Lisans Anahtarının Ayarlanması:

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

3. Veri Okuma:

   • readucr fonksiyonu belirli bir formatta (sekme ayrılmış değerler) dosyalardan veri okur.
   • Veriden etiketleri (y) ve özellikleri (x) çıkarır.

4. Eğitim ve Test Verilerini Yükleme:

   • Kod, "FordA" veri kümesiyle ilgili eğitim ve test veri dosyaları için URL'ler oluşturur.
   • readucr fonksiyonunu kullanarak verileri yükler.

5. Verileri Çizme:

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

6. Grafiği Kaydetme:

   • Grafik, "data.png" adlı bir görüntü dosyası olarak kaydedilir.

7. Görüntüyü PDF'e Dönüştürme:

   • IronPDF ImageToPdfConverter kaydedilen resmi ("data.png") bir PDF dosyasına ("plot.pdf") dönüştürür.

Çıktı Alınan PDF