TensorFlow - Keras

Keras ist eine kompakte, leicht zu erlernende Python-Bibliothek auf hoher Ebene, die auf dem TensorFlow-Framework ausgeführt wird. Es konzentriert sich auf das Verständnis von Deep-Learning-Techniken, z. B. das Erstellen von Schichten für neuronale Netze, wobei die Konzepte von Formen und mathematischen Details beibehalten werden. Es gibt zwei Arten von Rahmenarbeiten:

  • Sequentielle API
  • Funktionale API

Betrachten Sie die folgenden acht Schritte, um ein Deep-Learning-Modell in Keras zu erstellen:

  • Laden der Daten
  • Verarbeiten Sie die geladenen Daten vor
  • Definition des Modells
  • Modell kompilieren
  • Passen Sie das angegebene Modell an
  • Bewerten Sie es
  • Machen Sie die erforderlichen Vorhersagen
  • Speichern Sie das Modell

Wir werden das Jupyter-Notizbuch zur Ausführung und Anzeige der Ausgabe verwenden, wie unten gezeigt -

Step 1 - Das Laden der Daten und das Vorverarbeiten der geladenen Daten wird zuerst implementiert, um das Deep-Learning-Modell auszuführen.

import warnings
warnings.filterwarnings('ignore')

import numpy as np
np.random.seed(123) # for reproducibility

from keras.models import Sequential
from keras.layers import Flatten, MaxPool2D, Conv2D, Dense, Reshape, Dropout
from keras.utils import np_utils
Using TensorFlow backend.
from keras.datasets import mnist

# Load pre-shuffled MNIST data into train and test sets
(X_train, y_train), (X_test, y_test) = mnist.load_data()
X_train = X_train.reshape(X_train.shape[0], 28, 28, 1)
X_test = X_test.reshape(X_test.shape[0], 28, 28, 1)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255
Y_train = np_utils.to_categorical(y_train, 10)
Y_test = np_utils.to_categorical(y_test, 10)

Dieser Schritt kann als "Bibliotheken und Module importieren" definiert werden. Dies bedeutet, dass alle Bibliotheken und Module als erster Schritt importiert werden.

Step 2 - In diesem Schritt definieren wir die Modellarchitektur -

model = Sequential()
model.add(Conv2D(32, 3, 3, activation = 'relu', input_shape = (28,28,1)))
model.add(Conv2D(32, 3, 3, activation = 'relu'))
model.add(MaxPool2D(pool_size = (2,2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation = 'relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation = 'softmax'))

Step 3 - Lassen Sie uns nun das angegebene Modell kompilieren -

model.compile(loss = 'categorical_crossentropy', optimizer = 'adam', metrics = ['accuracy'])

Step 4 - Wir werden das Modell nun anhand von Trainingsdaten anpassen -

model.fit(X_train, Y_train, batch_size = 32, epochs = 10, verbose = 1)

Die Ausgabe der erstellten Iterationen lautet wie folgt:

Epoch 1/10 60000/60000 [==============================] - 65s - 
loss: 0.2124 - 
acc: 0.9345 
Epoch 2/10 60000/60000 [==============================] - 62s - 
loss: 0.0893 - 
acc: 0.9740 
Epoch 3/10 60000/60000 [==============================] - 58s - 
loss: 0.0665 - 
acc: 0.9802 
Epoch 4/10 60000/60000 [==============================] - 62s - 
loss: 0.0571 - 
acc: 0.9830 
Epoch 5/10 60000/60000 [==============================] - 62s - 
loss: 0.0474 - 
acc: 0.9855 
Epoch 6/10 60000/60000 [==============================] - 59s -
loss: 0.0416 - 
acc: 0.9871 
Epoch 7/10 60000/60000 [==============================] - 61s - 
loss: 0.0380 - 
acc: 0.9877 
Epoch 8/10 60000/60000 [==============================] - 63s - 
loss: 0.0333 - 
acc: 0.9895 
Epoch 9/10 60000/60000 [==============================] - 64s - 
loss: 0.0325 - 
acc: 0.9898 
Epoch 10/10 60000/60000 [==============================] - 60s - 
loss: 0.0284 - 
acc: 0.9910