Keras - Aprendizagem profunda

Keras fornece uma estrutura completa para criar qualquer tipo de rede neural. Keras é inovador e muito fácil de aprender. Ele suporta rede neural simples para modelo de rede neural muito grande e complexo. Vamos entender a arquitetura da estrutura Keras e como Keras ajuda no aprendizado profundo neste capítulo.

Arquitetura de Keras

Keras API pode ser dividida em três categorias principais -

Model
Layer
Módulos principais

Em Keras, cada RNA é representado por Keras Models. Por sua vez, cada modelo Keras é uma composição deKeras Layers e representa camadas ANN como entrada, camada oculta, camadas de saída, camada de convolução, camada de pooling, etc., modelo de Keras e acesso à camada Keras modules para função de ativação, função de perda, função de regularização, etc., Usando o modelo Keras, camada Keras e módulos Keras, qualquer algoritmo ANN (CNN, RNN, etc.) pode ser representado de maneira simples e eficiente.

O diagrama a seguir descreve a relação entre o modelo, a camada e os módulos principais -

Vamos ver a visão geral dos modelos Keras, camadas Keras e módulos Keras.

Modelo

Os modelos Keras são de dois tipos, conforme mencionado abaixo -

Sequential Model- O modelo sequencial é basicamente uma composição linear de camadas Keras. O modelo sequencial é fácil, mínimo e tem a capacidade de representar quase todas as redes neurais disponíveis.

Um modelo sequencial simples é o seguinte -

from keras.models import Sequential 
from keras.layers import Dense, Activation 

model = Sequential()  
model.add(Dense(512, activation = 'relu', input_shape = (784,)))

Onde,

Line 1 importações Sequential modelo dos modelos Keras
Line 2 importações Dense camada e Activation módulo
Line 4 criar um novo modelo sequencial usando Sequential API
Line 5 adiciona uma camada densa (Dense API) com relu função de ativação (usando o módulo de ativação).

Sequential modelo expõe Modelclasse para criar modelos personalizados também. Podemos usar o conceito de subclasse para criar nosso próprio modelo complexo.

Functional API - A API funcional é basicamente usada para criar modelos complexos.

Camada

Cada camada Keras no modelo Keras representa a camada correspondente (camada de entrada, camada oculta e camada de saída) no modelo de rede neural proposto. Keras fornece muitas camadas pré-construídas para que qualquer rede neural complexa possa ser criada facilmente. Algumas das camadas Keras importantes são especificadas abaixo,

Camadas principais
Camadas de Convolução
Camadas de pooling
Camadas Recorrentes

Um código python simples para representar um modelo de rede neural usando sequential modelo é o seguinte -

from keras.models import Sequential 
from keras.layers import Dense, Activation, Dropout model = Sequential() 

model.add(Dense(512, activation = 'relu', input_shape = (784,))) 
model.add(Dropout(0.2)) 
model.add(Dense(512, activation = 'relu')) model.add(Dropout(0.2)) 
model.add(Dense(num_classes, activation = 'softmax'))

Onde,

Line 1 importações Sequential modelo dos modelos Keras
Line 2 importações Dense camada e Activation módulo
Line 4 criar um novo modelo sequencial usando Sequential API
Line 5 adiciona uma camada densa (Dense API) com relu função de ativação (usando o módulo de ativação).
Line 6 adiciona uma camada de exclusão (API Dropout) para lidar com o sobreajuste.
Line 7 adiciona outra camada densa (Dense API) com relu função de ativação (usando o módulo de ativação).
Line 8 adiciona outra camada de eliminação (API Dropout) para lidar com o sobreajuste.
Line 9 adiciona camada densa final (Dense API) com softmax função de ativação (usando o módulo de ativação).

Keras também oferece opções para criar nossas próprias camadas personalizadas. Camada personalizada pode ser criada subclassificando oKeras.Layer classe e é semelhante à subclassificação dos modelos Keras.

Módulos principais

Keras também fornece várias funções integradas relacionadas à rede neural para criar adequadamente o modelo Keras e as camadas Keras. Algumas das funções são as seguintes -

Activations module - A função de ativação é um conceito importante em ANN e os módulos de ativação fornecem muitas funções de ativação, como softmax, relu, etc.,
Loss module - O módulo de perda fornece funções de perda como mean_squared_error, mean_absolute_error, poisson, etc.,
Optimizer module - O módulo Otimizador fornece funções de otimizador como adam, sgd, etc.,
Regularizers - O módulo Regularizer fornece funções como regularizador L1, regularizador L2, etc.,

Vamos aprender os módulos Keras em detalhes no próximo capítulo.