Hat sich jemand jemals der Verwendung von Python im Design und der Entwicklung von Robotern bewusst? Wenn das so ist, muss man in der Lage sein zu demonstrieren, dass Pythons Idee des Deep -Lernens die einzige Möglichkeit ist, es zu erreichen. Maschinelles Lernen ist die Erforschung von Optimierungstechniken, die sich aus dem Modell des menschlichen Geistes inspirieren lassen. Data Science -Disziplinen wie Robotik, künstliche Intelligenz (KI), Musik- und Videoidentifikation sowie Bildidentifikation sehen eine Zunahme der Verwendung von Deep Learning an. Deep -Lern -Ansätze basieren auf synthetischen neuronalen Netzwerken. Bevor Sie tief graben, müssen Sie zuerst das Konzept von Keras verstehen.

Keras

Zu den effektivsten und benutzerfreundlichsten Plugins zum Aufbau von Algorithmen, die tiefgreifende Algorithmen bauen. Um eine schnellere Erkundung mit tieferen neuronalen Netzwerken zu ermöglichen, ist es benutzerfreundlich, erweiterbar und anpassungsfähig. Es behandelt sowohl Feedforward- als auch einziehbare Netzwerke getrennt sowie in der Kombination. Es verwendet das Backend -Paket, um kleine Vorgänge anzusprechen, da es sie nicht verwalten kann. Der Einsatz von Keras, Grundlagen von Deep Learning, Keras-Strukturen, Kerasschichtung, Keraspakete und Echtzeitprogramme werden in dieser Lektion behandelt.

Richten Sie Keras unter Linux ein

Schritt 01: System aktualisieren

Bevor wir die Verwendung der Python -Bibliothek „Keras“ ausführlich demonstrieren, müssen wir unsere Linux -Maschine vollständig aktualisieren, um weitere Installationen einfach zu machen. Zu diesem Zweck müssen wir die Anwendung „Konsole“ schnell aus den integrierten Anwendungen des Systems öffnen. Innerhalb des jeweiligen Abfragebereichs haben wir die Linux -Abfrage "Update" mit dem Dienstprogramm "APT" und "Sudo" -Regileg hinzugefügt, um das System, das wir haben, schnell zu aktualisieren. Es musste unser Benutzerkennwort diesen Prozess fortsetzen, damit unser System ordnungsgemäß aktualisiert werden kann.

Schritt 02: Installieren Sie Python und Pip

Für die Verwendung von Deep -Lernen durch Keras und Tensorflow müssen wir die neueste Version von Python auf unserer Maschine konfigurieren lassen. Daher beginnen wir, das aktualisierte Paket von Python zusammen mit seinem erforderlichen „PIP“ -Vertrag in unserem System zu installieren. Dafür müssen wir erneut den „fachlichen“ Dienstprogramm von Ubuntu 20 nutzen.04 Linux -System in der Abfrage „Installation“ auf der Shell, gefolgt von den zu installierenden Paketen, i, i.e., Python3 und Python3-Pip. Bei der Ausführung dieser einfachen Abfrage im Konsolenbereich beginnt das System beide Pakete in unserem System zu installieren und zu konfigurieren.

Wenn Ihr System auf der anderen Seite eine alte Version des "PIP" -Verschnitts für Python installiert hat, sollten Sie es aktualisieren, bevor Sie vorwärts gehen.

Nach der erfolgreichen Konfiguration von Python und seinem „PIP“ -Eindienstprogramm ist es an der Zeit, die Setuptools für Python zu verbessern, um Probleme in naher Zukunft zu vermeiden. Daher haben wir die Installationsabfrage mit der Option „PIP3“ und -Upgrade ausprobiert, um das Upgrade der Setuptools zu installieren.e., Setup -Tools. Es fragt nach dem aktuellen Passwort, das wir für unser System haben, und wir haben es hinzugefügt.

Schritt 03: TensorFlow installieren

Zum Aufbau von maschinellem Lernen und überwachten neuronalen Modellen ist TensorFlow das bekannteste symbolische Mathematikpaket. Nachdem wir die Installationen durchlaufen haben, haben wir dieselbe "PIP3" -Anstallabfrage ausgeführt, gefolgt vom Paketnamen "TensorFlow".

Andere TensorFlow-bezogene Versorgungsunternehmen müssen auf dem System vollständig installiert sein. Diese Versorgungsunternehmen werden zusammen mit dem Tensorflow installiert, und es kann bis zu 10 oder mehr Minuten dauern.

Schritt 04: Installieren Sie essentielle Pakete

Nach der fruchtbaren Konfiguration des Tensorflows im Ubuntu 20.04 System, wir müssen auch einige Build -Pakete zusammen mit einigen anderen Dienstprogrammen wie „Git“ und „CMake“ konfigurieren. Indem wir das gleiche "APT" -Tool ausprobieren, haben wir viele der erforderlichen Pakete installiert, wie unten gezeigt:

Dieser Schritt macht unsere größte Aufmerksamkeit durch die Bestätigung dieser Installation. Tippen Sie auf "Y" und fahren Sie fort.

Schritt 05: Virtuelle Umgebung erstellen

Nach den erforderlichen Installationen ist es an der Zeit, eine virtuelle Umgebung zu erstellen. Daher müssen wir das Python3-Dienstprogramm mit der Option "-m" verwenden, um die virtuelle Umgebung "Kerasenv" über die Variable "Venv" zu erstellen. Die Abfrage „LS“ zeigt, dass die Umgebung erstellt wird.

Jetzt müssen wir uns in der virtuellen Umgebung des Keras -Ordners bewegen. Wir haben also die Anweisung „CD“ zusammen mit dem Namen eines virtuellen Umgebungsordners verwendet. Danach haben wir uns innerhalb des Ordners „Bin“ dieser virtuellen Umgebung bewegt und sein Sub aufgelistet. Um diese Python -Umgebung zu aktivieren, haben wir die Anweisung "Quelle" in ihrem Abfragebereich zusammen mit der "Aktivierung" -Datei ausprobiert. Die virtuelle Umgebung wird mit dem Namen "Kerasenv" aktiviert.

Schritt 06: Installieren Sie Python -Bibliotheken

Nachdem Sie die virtuelle Python -Umgebung erfolgreich eingestellt haben, müssen Sie alle erforderlichen Python -Bibliotheken vor der Installation von Keras installieren. Daher haben wir die Bibliothek des Pandas zuerst in derselben virtuellen Umgebung mit dem PIP -Paket von Python installiert.

Das System konfiguriert es in der virtuellen Umgebung von Python, wie im Bild gezeigt:

Versuchen Sie nach der Installation der Pandas -Bibliothek die Numpy -Bibliothek mithilfe der folgenden Methode:

Installieren Sie in sehr ähnlicher Weise die Scipy Library of Python in derselben Umgebung.

Installieren Sie nun die Matplotlib -Bibliothek von Python in der Umgebung.

Python verwendet Clustering- und Regressionsalgorithmen im maschinellen Lernen, um neuronale Netzwerkmodelle durchzuführen. Dafür verfügt es über die Sci-Kit Learn-Bibliothek, die wir mit dem Dienstprogramm „PIP“ zusammen mit der Option „-U“ installiert haben, um auch die erforderlichen Pakete zu konfigurieren.

Die Verarbeitung der SCIKIT -Bibliotheksinstallation wurde unten gezeigt:

Für die Visualisierung im Deep Learning müssen wir die SeaBorn -Bibliothek von Python installieren. Daher haben wir es in derselben Umgebung mit der Abfrage „Installation“ installiert.

Schritt 07: Installieren Sie die Keras -Bibliothek

Nach der Installation aller notwendigen Voraussetzungsbibliotheken von Python können wir endlich Keras in der virtuellen Umgebung von Python installieren. Das Dienstprogramm „PIP“ wird zu diesem Zweck in unserer Abfrage „Installation“ mit dem Modulnamen verwendet, i.e., "Keras". Wenn das System zeigt, dass seine Anforderungen bereits erfüllt sind, bedeutet dies, dass es bereits installiert und konfiguriert ist.

Wenn es noch nicht installiert ist, wird diese Abfrage ohne Verzögerung von einer Sekunde in der virtuellen Umgebung heruntergeladen und konfiguriert, und die Verarbeitung würde wie unten angezeigt:

Nach der vollständigen Konfiguration und Installation der "Keras" -Bibliothek in der virtuellen Umgebung ist es Zeit, die vollständigen Informationen dazu über die Abfrage "PIP Show" anzuzeigen. Die Ausführung dieser „Show“ -Anfrage hat die Version von Keras präsentiert, die in unserer virtuellen Umgebung von Python installiert wurden Mehr wie unten dargestellt:

Nach den besten Installationen der Keras- und Tensorflow -Bibliotheken von Python müssen wir die virtuelle Umgebung beenden. Probieren Sie dafür die Abfrage „deaktivieren“ auf der Schale und beenden Sie.

Schritt 08: Installieren Sie die Anaconda Cloud

Python hat eine Cloud mit dem Namen „Anaconda“. Daher haben wir seine Ausführungsdatei in unser System heruntergeladen.

Diese Datei befindet sich im aktuellen Home -Ordner der Linux -Maschine gemäß der LS -Abfrage. Sie müssen sicherstellen, dass es zuerst die Prüfsumme ist, ich.e., Wenn es über die SHA256SUM -Abfrage vollständig korrekt ist oder nicht.

Danach müssen wir die heruntergeladene Bash -Datei von Anaconda in unserem System mit der Anweisung „Bash“ und dem Dateinamen auf derselben Konsole installieren. Es wurde uns gebeten, die Lizenzvereinbarung vor der Installation zu überprüfen. Also haben wir "EINGABE" getippt, um fortzufahren, um fortzufahren.

Nachdem wir seine Lizenzvereinbarung durchlaufen haben, fordert es uns auf, auf "Ja" zu tippen, wenn wir den Bedingungen zustimmen. Sie müssen die Eingabetaste drücken, um es weiter an derselben Stelle zu installieren oder den Pfad in das Verzeichnis zu schreiben, in dem Sie ihn installieren möchten. Andernfalls verwenden Sie "Strg-C", um die Installation zu stornieren.

Es wird die lange Liste der Pakete angezeigt, die in diesem Prozess installiert werden. Nach einer Transaktionsausführung wird die Installation der Pakete mit der Installation begonnen.

Nach einer Weile wurde die Anaconda erfolgreich mit ihren zusätzlichen Paketen installiert.

Sie müssen die Datei "Aktivieren" über die Anaconda -Ordner über die Abfrage "Quelle" als Stamme ausführen.

Versuchen Sie, den Anaconda Navigator mit der folgenden Anfrage zu starten.

Um die neue Conda -Umgebung zu erstellen und zu arbeiten, probieren Sie die Anweisung „Conda Create“ mit der Namensoption, gefolgt vom neuen Umgebungsnamen, i, i.e., Pycpu.

Dieser Prozess erfordert unsere Bestätigung zur Schaffung der neuen Umgebung. Tippen Sie auf "y".

Verwenden Sie die Abfrage „Conda Activate“ mit dem Namen Ihrer neuen Umgebung, um die neu gemachte Konda -Umgebung zu aktivieren und zu betreiben.e., Die PYCPU -Umgebung ist jetzt aktiviert.

Schritt 09: Installieren Sie Spyder IDE

Die Spyder -IDE muss in dieser Umgebung für die Ausführung von Python -Programmen installiert werden. Zu diesem Zweck haben wir die Conda -Installationsabfrage in der PYCPU -Umgebungsschale mit dem Schlüsselwort "Spyder" ausprobiert.

Tippen Sie auf "Y", um Spyder weiter zu installieren.

Schritt 10: Installieren Sie die Pandas und die Keras -Bibliothek

Installieren Sie nach der Installation von Spyder die Panda -Bibliothek von Python in einer Anaconda -Umgebung mithilfe der Conda -Installationsabfrage mit der Option -C.

Drücken Sie erneut die Schaltfläche „Y“, um fortzufahren.

Installieren Sie nach der erfolgreichen Konfiguration von Pandas die Keras -Bibliothek mit derselben Abfrage.

Fahren Sie fort, nachdem Sie auf die Schaltfläche „Y“ klicken.

Sie können die Spyder IDE in der aktuellen Umgebungskonsole der Anaconda wie folgt starten:

Die Spyder IDE hat sich auf den Start vorbereitet.

Der versteckte Ordner “.Keras “befindet sich im Heimverzeichnis. Gehen Sie es auf und öffnen Sie seine „Keras“.JSON ”-Datei, um die folgenden Konfigurationen hinzuzufügen.

Richten Sie Keras und Tensorflow unter Windows ein

Um Keras und Tensorflow in einer Windows -Umgebung einzurichten, müssen Sie sicherstellen. Nach dem Einrichten sollten Sie es aus Ihrem Suchbereich öffnen und sich innerhalb der Registerkarte „Umgebungen“ bewegen. Auf dieser Registerkarte finden Sie den Umgebungsnamen, in dem Sie derzeit arbeiten.e., Base. Im Bereich unten finden Sie die folgende Registerkarte. Tippen Sie auf die Option "Erstellen".

Hier müssen Sie einen neuen Umgebungsnamen „TensorFlow“ erstellen, ich.e., befinden sich derzeit in der Basisumgebung. Wählen Sie die neueste Version von Python aus, die verwendet werden soll.

Sie werden sehen, dass die Umgebung begonnen hat zu laden.

Nach einer Weile wird die TensorFlow -Umgebung vollständig installiert.

In der linken Fläche sehen Sie alle installierten und verfügbaren Bibliotheken und Module für Python, wie unten dargestellt:

Jetzt müssen wir die TensorFlow Backend Library von Python mit diesem Bereich installieren. Schreiben Sie in der Suchleiste "TensorFlow" und markieren Sie das gleiche Fallpaket aus der angezeigten Liste, um es zu installieren. Tippen Sie auf die Schaltfläche „Anmelden“, um mit der Installation des Tensorflows zusammen mit den Untermodulen wie "Keras" fortzufahren.

Es hat begonnen zu arbeiten und den Tensorflow in unserer Anaconda -Umgebung zu konfigurieren.

Während der Installation wird die Liste der Unterverpackungen angezeigt, die in der Anaconda-Umgebung installiert werden sollen. Tupfen Sie den Taste "anwenden" und warten Sie eine Weile, bis sie fertig ist.

Nach einer Weile finden Sie alle installierten Pakete im gleichen Modulbereich. Sie können sehen, dass die Keras -Bibliothek mit anderen Paketen installiert wurde, und wir müssen sie jetzt nicht installieren.

Suchen Sie in der Windows -Suchleiste das Schlüsselwort "Jupyter". Die Anwendung mit dem Namen "Jupyter Notebook (TensorFlow)" wird zusammen mit anderen zusammengestellt. Tippen Sie darauf, um das Jupyter -Notizbuch mit dem aktivierten Backend TensorFlow zu starten. Erstellen Sie eine neue Python -Datei und beginnen Sie mit der Arbeit.

Tiefes Lernen über Keras

Deep Learning beinhaltet eine schicht-für-Schicht-Analyse der Aufnahme, wobei jede Schicht allmählich fortgeschrittene Details aus der Eingabe extrahiert. Ein vollständiger Framework wird von Keras bereitgestellt, um jede Art von neuronalem Netzwerk zu bilden. Sowohl kreativ als auch unglaublich einfach zu verstehen, Keras. Es ermöglicht neuronalen Netzwerkmodellen, die von der naivsten bis zum größten und höchsten Komplex reichen.

Künstliches neuronales Netzwerk (Ann)

Die „künstliche neuronale Netzwerk“ (ANN) (Ann) scheint die am häufigsten verwendete und grundlegendste Methode des Deep -Lernens zu sein. Sie nehmen ihre Hinweise aus dem menschlichen Geist heraus, der natürlichen Komponente unseres Körpers, die als Modell dient. Über 90 Milliarden mikroskopische Zellen, die als „Neuronen“ bezeichnet werden. Axone und Dendriten sind Arten von Nervenfasern, die Neuronen miteinander verbinden. Die Hauptfunktion eines Axons besteht darin, Daten von einem verknüpften Neuron an das nächste zu senden. Weitere Informationen finden Sie in der Google -Suchmaschine in der Google -Suchmaschine.

Keras Architektur

Die Keras -API -Architektur wurde in drei unten aufgeführte Hauptteile eingeteilt. Lassen Sie uns eindeutig ein Gestalt annehmen.

• Modell
• Schicht
• Kern Module

Kerasmodell

Das Keras -Modell besteht aus genau zwei Typen, ich.e., Sequentielle und funktionale API.

Sequentielles Modell

Grundsätzlich ist ein sequentielles Modell eine chronologische Zusammenstellung von Kerasschichten. Das einfache, simple sequentielle Modell kann fast alle neuronalen Netzwerke beschreiben, die derzeit verwendet werden. Ein individuelles Modell kann mit der Modellklasse erstellt werden, die das sequentielle Modell zeigt. Der subklassische Ansatz kann verwendet werden, um ein ausgefeiltes Modell zu erstellen. Die Demonstration des sequentiellen Modells wurde unten dargestellt.

Schichten hinzufügen

Das Skript wurde aus dem Import des sequentiellen Modus über die Keras gestartet.Modelle und die andere Zeile haben ein sequentielles Modell erstellt. Danach erstellt das Import der dichten Ebene eine Eingangsschicht und fügt einem Modell eine Eingangsschicht hinzu. Die versteckte dichte Schicht wurde erstellt und dem Modell hinzugefügt, und das Gleiche wurde für die Ausgangsdichtschicht durchgeführt.

Zugriff auf das Modell

Sie können Informationen zu Ihren Modellebenen, den von ihnen verwendeten Eingabedaten und ihren Ausgabedaten erhalten. Das Model.Mit Ebenenfunktion können Sie auf alle Ebenen zugreifen. Das Model.Inputs würden Eingangstensoren und Modell angezeigt.Die Ausgabe zeigt Ausgabe Tensoren an.

Serialisieren Sie das Modell

Es ist einfach, das im Skript verwendete Modell als Objekt oder JSON zurückzugeben. Zum Beispiel ergibt die Funktion get_config () das Modell als Entität/Objekt. Die Funktion from_config () erstellt ein neues Modell, das das Objekt als parametrischer Wert verwendet.

Sie können Ihr Modell auch mit der Funktion to_json () in JSON ändern.

Modellzusammenfassung

Um die gesamte Zusammenfassung zu den im Modell verwendeten Ebenen zusammen mit einigen zusätzlichen Informationen zu erhalten.

Trainieren und prognostizieren das Modell

Um zu trainieren und vorherzusagen, sollten wir die Kompilierungsfunktion verwenden, Anpassungsfunktion, die Funktion bewerten und die Funktion in dieser Hinsicht vorhersagen.

Kerasschichten

Jede Eingabe, verdeckte und Ertragsschicht im vorgeschlagenen Modell der neuronalen Netze entspricht einer anderen Kerasschicht im realen Modell. Jedes ausgefeilte neuronale Netzwerk kann schnell mit vielen vorgefertigten Schichten der Keras-Bibliothek entwickelt werden. Es gibt verschiedene Kerasschichten, die wir haben, ich.e., Kernschichten, Bündelungsschichten, wiederkehrende Schichten und Faltungsschichten. Sie können sie untersuchen, indem Sie im Web suchen. Die ersten beiden Zeilen haben den sequentiellen Modus-, Dicht-, Aktivierungs- und Dropout -Schicht importiert.

Wir haben die Sequential () -API für das Erstellen eines Dropout -Sequentialmodells ausprobiert. Indem wir das Aktivierungsmodell „Relu“ abwerfen, haben wir eine dichte Schicht über die „dichte“ API erstellt. Um die Überanpassung der dichten Schicht zu erfüllen, haben wir die Dropout () API verwendet, i.e., Dropout -Layering über Dropout () -Funktion. Danach haben wir hier eine dichtere Schicht mit dem Aktivierungsmodell „Relu“ verwendet. Um die dichten Schichten von Überanpassungen zu bewältigen, müssen wir aus Tropfenschichten verwenden. Am Ende haben wir unsere endgültigen dichten Schichten mit dem Aktivierungsmodell "Softmax" -Typ abgeworfen.

Haben Sie jemals im Kochen geschichtet? Wenn ja, wäre dieses Konzept für Sie nicht schwer zu verstehen. Das Ergebnis einer Stufe dient als Eingabedaten für die folgende Schicht. Hier sind die grundlegenden Dinge, die erforderlich sind, um eine ganz neue Ebene zu erstellen:

• Eingabedatenform
• Gesamtneuronen/Einheiten in einer Schicht
• Initialisierer
• Regularisierer
• Einschränkungen
• Aktivierungen

Eingabedatenform

Innerhalb der Python -Sprache wurde jede Art von Eingabe in eine Reihe von Ganzzahlen umgewandelt und dann dem Algorithmusmodell hinzugefügt. Innerhalb von Python müssen wir die Eingangsform angeben, um die Ausgabe gemäß unserer Anforderung zu erhalten. In den folgenden Beispielen haben wir die Eingangsform (3,3) angegeben, ich.e., 3 Zeilen und 3 Spalten. Die Ausgabe hat die Matrix angezeigt.

Initialisierer

Das Initializer -Modul von Kerasschichten bietet uns viele Funktionen, um ein bestimmtes Gewicht für Eingabedaten anzugeben. Zum Beispiel gibt die Funktion Zeros () 0 für alle an, die für alle angeben, und die Funktion Constant () gibt einen angegebenen konstanten Wert an, der von einem Benutzer für alle und mehr hinzugefügt wird. Für ein besseres Verständnis haben wir die Identity () -Funktion verwendet, um eine Identitätsmatrix zu erzeugen. Der Rest der Funktionen kann ebenfalls aus der Suchmaschine durchsucht werden.

Einschränkungen

Es stehen verschiedene Einschränkungsfunktionen zur Verfügung, um Einschränkungen auf den Parameter „Gewicht“ der Ebene anzuwenden, i.e., Nicht negativ, Einheitsnorm, maximaler Norm, Minmaxnorm und vieles mehr. Innerhalb der folgenden Abbildung haben wir die Einschränkungsnorm weniger oder gleich dem Gewicht angewendet. Der Parameter „max_Value“ ist die obere Grenze der zu angewendeten Einschränkungen und die Achse ist die Dimension, auf die die Einschränkung angewendet wird, ich.e., Dimension 1.

Regularisierer

Während der gesamten Optimierung wird der Ebeneneigenschaft verschiedene Gebühren auferlegt. Es gab auch einige Funktionen, um dies zu tun, ich.e., L1 Ilegricizer, L2 Ilegricizer und „Li und L2“ Ilegricizer. Hier ist die einfachste Illustration der L1 -Regularizer -Funktion:

Aktivierungen

Eine eindeutige Funktion, die als Aktivierungsfunktion bezeichnet wird, wird festgestellt, ob ein bestimmtes Neuron aktiv ist oder nicht. Die Aktivierungsfunktion transformiert die eingehenden Daten in komplexer Weise, was den Neuronen hilft, effektiver zu untersuchen. Hier sind mehrere Aktivierungsmethoden, die in den unten angegebenen Beispielen enthalten sind:

Kerasmodule

Da wir wissen, dass Programmiermodule normalerweise Funktionen, Klassen und Variablen enthalten, die für verschiedene und spezifische Zwecke verwendet werden sollen. Einfach so enthält die Kerasbibliothek von Python viele Module darin. Sie können alle erforderlichen Kenntnisse über die Keras -Module aus dem Web erhalten.

Backend

Eines der bekanntesten und gebrauchten Module ist das „Backend“ -Modul, das für die Backend-Bibliotheken von Python wie Tensorflow und Theano verwendet wurde. Mit dem Backend -Modul können wir so viele Backend -Funktionen wie möglich aus dem TensorFlow- und Theano -Bibliothek verwenden. Um das Backend -Bibliotheksmodul zu verwenden, müssen wir die Backend -Bibliothek angeben, die in der Konfigurationsdatei „Keras verwendet“ werden soll.JSON, das wir im Versteckten geschaffen haben .Kerasordner. Standardmäßig wurde das Backend als „Tensorflow“ angegeben, aber Sie können sie auch in andere ändern, ich.e., Theano oder CNTK.

In unserem Beispiel werden wir die Tensorflow -Bibliothek als Backend verwenden. So laden Sie die Konfigurationen des Backends aus den Keras.JSON -Datei im Ordner "keras", verwenden Sie:

• von Keras importieren Backend als k

Nach erfolgreichem Import des Backends aus den Keras.JSON -Datei ist es an der Zeit, die Backend -Informationen mithilfe der Variablen „K“ mit der abgerufenen Variablen zu erhalten. Zunächst haben wir den Namen eines Backends abgerufen, den wir verwendet und bereits mit der Funktion "Backend ()" importiert haben. Es gibt den „Tensorflow“ als Backend -Wert zurück. Um den Float -Wert des Backends zu erhalten, haben wir die Floatx () -Funktion über das Keras -K -Variablenobjekt aufgerufen. Es zeigt, dass wir den Float32 -Wert verwendet haben.

Um das Format von Bilddaten zu erhalten, verwenden Sie die Funktion image_data_format () mit der Variablen „K“. Bei der Verwendung zeigt es, dass unser Backend das Bilddatenformat „Channels_Last“ verwendet hat. Um die Exponentleistung für das Backend zu erhalten, rufen Sie die Funktion epsilon () mit der Variablen „K“ auf. Es wird zurückgegeben, dass das Backend die exponentielle Leistung von „07“ verwendet wird. Hier geht es um das Abrufen von Backend -Informationen.

Get_Uid () Funktion

Es ist Zeit, sich einige Backend -Funktionen des Tensorflows anzusehen, um seine Funktionalität zu verstehen. Eine der am häufigsten verwendeten Backend -Funktionen „get_uid () -Funktion, die verwendet wird, um das von uns verwendete Standarddiagramm zu identifizieren. Verwenden Sie es mit dem Parameter prefix = "würde" 1 "zurückgeben, ich.e., gemäß der Verwendung. Auch hier würde die Verwendung von „2“ zurückgeben, da wir es erneut aufgerufen haben und der Wert des Diagramms inkrementiert wurde. Nach der Verwendung der Funktion "reset_uids" wird der Grafik -Benutzer -ID -Wert auf 0 zurückgesetzt. Daher würde die Verwendung der Funktion get_uid () erneut um 1 erhöht.

Platzhalter () Funktion

Der Tensor hat die Platzhalter () -Funktion verwendet, um unterschiedliche dimensionale Formen darin zu halten. In der folgenden Abbildung haben wir es beispielsweise verwendet, um das 3-D-Bild im Tensor über die Kerasvariable „K“ zu halten und es in einer anderen Variablen „D“ zu speichern. Die Ausgabe von variabler „D“ zeigt die Eigenschaften einer Form, die im Platzhalter verwendet wird.

Die Funktion „int_shape ()“ wird verwendet, um die Form eines im Platzhalters "D" gespeicherten Wertes anzuzeigen.

DOT () Funktion

Haben Sie jemals zwei Vektoren vervielfacht?? In diesem Fall wird es für Sie keine Herausforderung sein, zwei Tensoren zu multiplizieren. Zu diesem Zeitpunkt entwickelte die Backend Library die Funktion "Punkt". Um die beiden verschiedenen Formen zu halten, haben wir die Formwerte in der Platzholder () -Funktion in den ersten beiden Zeilen verwendet, um zwei Halter „x“ und „y“ zu erstellen. Die DOT () -Funktion hat die Inhaber „X“ und „Y“ genommen, um sowohl die Tensoren zu multiplizieren und das Ergebnis auf eine andere Variable "Z" zu speichern. Wenn Sie den Tensor „Z“ zum Drucken verwenden, wurde die multiplizierte resultierende Tensorform (1, 5) auf dem Bildschirm angezeigt.

Eins () Funktionen

Die Funktion des Backend -Moduls () () ist für die Initialisierung aller Werte einer bestimmten Form auf 1 bekannt. Zum Beispiel haben wir die Funktion der ONES () auf der Tensorform (3,3) verwendet und das Ergebnis auf die Variable „V“ gespeichert, die gespeichert wurden. Die Funktion eval () wird hier abgeschaltet, um den Wert einer Variablen „V“ zu bewerten und in der Python -Umgebung angezeigt zu werden. Im Gegenzug hat es die Form (3,3) in eine Array -Matrix aller mit dem Float32 -Datentyp umgewandelt.

Batch_dot () Funktion

Die Tensor -Stapel würde die Gesamtproben angeben, die vor dem Aktualisieren eines Modells sortiert werden sollen. Die Funktion batch_dot () des TensorFlow -Backends wird hauptsächlich verwendet, um das Multiplikationsergebnis von zwei verschiedenen Stapeldaten zu ermitteln. Daher haben wir zwei Tensorvariablen V1 und V2 erstellt und die Funktion input () verwendet, um sie in V1 und V2 als Eingabe zu speichern. Danach haben wir die Funktion batch_dot () sowohl auf den Tensorvariablen V1 als auch auf V2 ausprobiert, und der resultierende Wert würde in einer anderen Variablen "V3" gespeichert, die gespeichert werden würde. Beim Drucken der Variablen V3 fanden wir die resultierende Form (2,2) im Gegenzug.

Variable Funktion

Wenn Sie jemals an einer anderen Sprache gearbeitet haben, haben Sie möglicherweise viele Variablen mit dem Schlüsselwort "var" oder ohne es initialisiert. Oft haben Sie die Variablen mit ihren Datentypen wie Ganzzahl, String oder Zeichen initialisiert. In der Python -Keras -Bibliothek können wir jede Variable unter Verwendung der Funktion variable () für einige Tensordaten in Form von Stichproben erstellen.

Innerhalb des folgenden Bildes haben wir eine Variable „D“ erstellt, indem die Beispieldaten für zwei Listen in eine variable () -Funktion mit dem Keras -Objekt „K“ hinzugefügt wurden. Nachdem wir diese Variable hinzugefügt haben, haben wir die Funktion transpon () in dieser Variablen "D" aufgerufen, um die Transponierung eines Beispieldatens innerhalb des KERAS -Objekts "K" herauszufinden. Die resultierende Transponierung würde in einem Variablen „Val“ gespeichert werden. Die Druckerklärung der Python -Sprache wurde hier verwendet, um den Wert der resultierenden Variablen „Val“ zu drucken. In der Druckanweisung wurde die Wahl der Funktion angezeigt, die wir auf die Variable „D“ und die Gesamtzahl der Elemente in jeder Liste angewendet haben.

Danach haben wir die Funktion „Eval“ auf der Val -Variablen ausprobiert, um die Transponierung der Proben zu der Variablen „D“ zu erhalten, und die Druckfunktion wurde angezeigt. Sie können die Transponierung von zwei Listen in der Ausgabe sehen.

Die vorherige Code -Abbildung wurde durch die Verwendung einfacher Python -Funktionen erreicht, ohne eine bestimmte Python -Bibliothek zu importieren. Die „Transponierung“ von zwei Datensätzen kann mit den Numpy -Arrays gefunden werden. Dafür müssen wir die Numpy -Bibliothek zu Beginn als „n“ importieren. Das grundlegende Format ist das gleiche, aber wir müssen den Formdatensatz mit dem Schlüsselwort "Array" initialisieren, anstatt das Schlüsselwort "Variable" zu verwenden. Das Muster -Numpy -Array sollte in die Variable „D“ zurückgehalten werden. Das gleiche Numpy -Objekt „N“ wird verwendet, um die Funktion transpotieren () auf der Variablen „D“ aufzurufen und ihr Ergebnis in der Variablen „Val“ zu speichern.

In der Druckanweisung wurde die Val -Variable darin aufgerufen, um ihren Transponierungszensor anzuzeigen. Um den resultierenden transponierten Wert der Val -Variablen "Val" anzuzeigen, benötigen wir hier nicht die Funktion „Eval“. Jetzt haben wir die variable Funktion mit dem Argument "D" verwendet und das Ergebnis in der Variablen "Z" gespeichert. Nachdem Sie die Druckanweisung ausprobiert haben, indem Sie den Argumentwert „Z“ hinzufügen.

Is_sparse () Funktion

Das Wort "spärlich" im Tensor wird für einen spärlichen Tensor verwendet, der Einträge mit Nullen hauptsächlich enthält. In diesem Beispiel werden wir die Funktion is_sparse () des Backend -Moduls verwenden, um zu überprüfen, ob der Tensor die meisten Nullen hat oder nicht.

Zunächst haben wir die Platzhalter () -Funktion aufgerufen, um die Tensorform (3,3) zusammen mit dem Argument Sparse Set auf True zu halten. Dieser Platzhalterwert würde dem veränderlichen „x“ und angezeigt werden. Die Ausgabe zeigt die Informationen zur Platzhaltervariablen „X“.

Zum Beispiel werden der Datentyp, seine Form und seine Funktion darauf angewendet. Danach haben wir die Print -Anweisung noch einmal ausprobiert, um die Funktion is_sparse () darin aufzurufen. Diese Funktion hat die Variable "x" als Argument genommen, um anzuzeigen, ob der Tensor „X“ spärlich ist oder nicht. Die Ausgabe zeigt „True“ an.

To_dense () Funktion

Der dichte Tensor soll derjenige sein, der den chronologischen Speicherblock verwendet hat, um die Informationen auf benachbarte Weise zu speichern und auch die Werte von Information darzustellen. Mit der Funktion „to_dense ()“ des Backend -Moduls können wir den spärlichen Tensor in einen dichten Tensor umwandeln. Daher übernehmen wir die gleiche Platzhalterfunktion, um den Tensor zu variabler "x" hinzuzufügen, und dieser Tensor wurde auf "spärlich" eingestellt.

Die Funktion "to_dense ()" wird auf die dichte Tensorvariable "x" angewendet, ich.e., Um es in einen dichten Tensor umzuwandeln und in einer anderen Variablen "res" zu speichern. Jetzt ist das „res“ ein dichter Tensor selbst. Die Druckanweisung wurde abgegeben, um die Variable „Res“ auszudrucken. Die Verwendung von Druckanweisungen für die Variable „res“ zeigte die Informationen zur konvertierten Variablen „RES“, i.e., erfolgreich konvertiert spärlich bis dicht und viel mehr.

Dann wird eine andere Druckfunktion aufgerufen, indem die Funktion is_sparse () darin verwendet wird, um zu überprüfen, ob die Variable „res“ spärlich ist oder nicht. Die Ausgabe hat gezeigt, dass die Variable „res“ nicht spärlich ist, ich.e., Da haben wir es bereits in einen „dichten“ Tensor umgewandelt.

Random_uniform_variable () Funktion

Die Funktion random_uniform_variable () im Keras -Backend -Modul ist speziell für die Initialisierung eines Tensors über die einheitliche Verteilung entwickelt. Es braucht insgesamt drei Argumente. Das allererste Argument „Form“ wird verwendet, um die Zeilen und Spalten der Form innerhalb der Tupelform zu definieren. Wenn Sie Mathematik gemacht haben, haben Sie möglicherweise das Konzept des Mittelwerts und der Standardabweichung gelernt.

In der Methode Random_uniform_Variable () sind die nächsten beiden Argumente die mittlere und typische Abweichung von einer einheitlichen Verteilung. Innerhalb dieser Abbildung haben wir zwei Tensoren „x“ und „y“ mithilfe der Standardeinheitverteilung über die Funktion random_uniform_variable () initialisiert. Beide Tensoren enthalten unterschiedliche Formformate, ich.e., Zeilen und Spalten mit dem gleichen Mittelwert und der gleichen Standardabweichung, ich.e., niedrig = 0 und hoch = 1.

Danach werfen wir die "Punkt" -Funktion ab, die die Tensoren "X" und "Y" zur Multiplikation entnehmen. Das Ergebnis dieser Multiplikation würde in der Variablen „z“ gespeichert werden. Am Ende ist das int_shape () ein Muss, mit dem die Form eines resultierenden Tensors „Z“ angezeigt werden kann, um die Form eines resultierenden Tensors anzuzeigen. Der Ausgang zeigt den Tensor (2,2).

Utils

Wenn Sie einige der sehr nützlichen Funktionen aus dem Deep -Learning -Konzept von Python verwenden möchten, müssen Sie das Utils -Modul der Keras -Bibliothek in Ihren Skripten verwenden. Wenn Sie beispielsweise Ihre Daten im HDF5Matrix -Format anzeigen möchten, müssen Sie die HDF5Matrix -Klasse importieren und ihre HDF5Matrix -Funktion im Skript verwenden.

To_categorical () Funktion

Mit dieser Funktion können Sie einen Klassenvektor in eine Matrix ändern, ich.e., Binärklassenmatrix. Nehmen wir an, wir haben die Funktion to_categorical () aus dem Utils -Modul importiert und einen Vektor „A“ initialisiert. Der Vektor "A" wurde an die Funktion to_categorical () übergeben. Die binäre Matrix für diesen Klassenvektor „A“ wurde angezeigt.

print_summary () Funktion

Um die Zusammenfassung eines Modells auszudrucken, das wir in unserer Umgebung abgegeben haben, wurde die Print_summary -Funktion verwendet.

plot_model () Funktion

Die Funktion plot_model () bedeutet das Modell in einem Punktformat und ermöglicht es Ihnen, es in einem Dokument zu speichern.

Abschluss

Zusammenfassend lässt sich sagen. In dieser Lernrichtlinie haben wir die Verwendung der Keras -Bibliothek von Python in Deep Learning und künstlichen neuronalen Netzwerken gewachsen. Dafür haben wir auch die Wichtigkeit und Verwendung der Backend -Bibliothek „TensorFlow“ durchlaufen, um ein klares Verständnis zu erhalten. Darüber hinaus haben wir jede Konfiguration besprochen und erklärt.04 Linux -Betriebssystem. Danach haben wir die Keras-Modelle, Schichten und Module einzeln zusammen mit ihren am häufigsten verwendeten Funktionen diskutiert. Für die Demonstration des Funktions -API -Modells finden Sie bitte die offizielle Dokumentation.