Deep Learning mit Keras - Importieren von Bibliotheken
Wir importieren zuerst die verschiedenen Bibliotheken, die für den Code in unserem Projekt erforderlich sind.
Array-Handhabung und Plotten
Als typisch verwenden wir numpy für Array-Handling und matplotlibzum Plotten. Diese Bibliotheken werden wie folgt in unser Projekt importiertimport Aussagen
import numpy as np
import matplotlib
import matplotlib.pyplot as plot
Warnungen unterdrücken
Da sowohl Tensorflow als auch Keras ständig überarbeitet werden, werden zur Laufzeit zahlreiche Warnfehler angezeigt, wenn Sie die entsprechenden Versionen im Projekt nicht synchronisieren. Da sie Ihre Aufmerksamkeit vom Lernen ablenken, werden wir alle Warnungen in diesem Projekt unterdrücken. Dies geschieht mit den folgenden Codezeilen:
# silent all warnings
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='3'
import warnings
warnings.filterwarnings('ignore')
from tensorflow.python.util import deprecation
deprecation._PRINT_DEPRECATION_WARNINGS = False
Keras
Wir verwenden Keras-Bibliotheken, um Datasets zu importieren. Wir werden die verwendenmnistDatensatz für handschriftliche Ziffern. Wir importieren das erforderliche Paket mit der folgenden Anweisung
from keras.datasets import mnist
Wir werden unser tief lernendes neuronales Netzwerk mithilfe von Keras-Paketen definieren. Wir importieren dieSequential, Dense, Dropout und ActivationPakete zur Definition der Netzwerkarchitektur. Wir gebrauchenload_modelPaket zum Speichern und Abrufen unseres Modells. Wir benützen auchnp_utilsfür ein paar Dienstprogramme, die wir in unserem Projekt benötigen. Diese Importe werden mit den folgenden Programmanweisungen ausgeführt:
from keras.models import Sequential, load_model
from keras.layers.core import Dense, Dropout, Activation
from keras.utils import np_utils
Wenn Sie diesen Code ausführen, wird auf der Konsole eine Meldung angezeigt, dass Keras im Backend TensorFlow verwendet. Der Screenshot zu diesem Zeitpunkt wird hier gezeigt -
Da wir nun alle für unser Projekt erforderlichen Importe haben, werden wir die Architektur für unser Deep Learning-Netzwerk definieren.