Keras - Módulos
Como aprendemos anteriormente, os módulos Keras contêm classes, funções e variáveis predefinidas que são úteis para algoritmos de aprendizado profundo. Vamos aprender os módulos fornecidos por Keras neste capítulo.
Módulos Disponíveis
Vamos primeiro ver a lista de módulos disponíveis no Keras.
Initializers- Fornece uma lista de função de inicializadores. Podemos aprender em detalhes no capítulo da camada Keras . durante a fase de criação do modelo de aprendizado de máquina.
Regularizers- Fornece uma lista de funções de regularizadores. Podemos aprender em detalhes no capítulo Camadas Keras .
Constraints- Fornece uma lista de funções de restrições. Podemos aprender em detalhes no capítulo Camadas Keras .
Activations- Fornece uma lista de funções ativadoras. Podemos aprender em detalhes no capítulo Camadas Keras .
Losses- Fornece uma lista de função de perda. Podemos aprender em detalhes no capítulo Treinamento do modelo .
Metrics- Fornece uma lista de funções de métricas. Podemos aprender em detalhes no capítulo Treinamento do modelo .
Optimizers- Fornece uma lista de funções do otimizador. Podemos aprender em detalhes no capítulo Treinamento do modelo .
Callback- Fornece uma lista de função de retorno de chamada. Podemos usá-lo durante o processo de treinamento para imprimir os dados intermediários, bem como para interromper o próprio treinamento (EarlyStopping método) com base em alguma condição.
Text processing- Fornece funções para converter texto em array NumPy adequado para aprendizado de máquina. Podemos usá-lo na fase de preparação de dados do aprendizado de máquina.
Image processing- Fornece funções para converter imagens em array NumPy adequado para aprendizado de máquina. Podemos usá-lo na fase de preparação de dados do aprendizado de máquina.
Sequence processing- Fornece funções para gerar dados baseados no tempo a partir dos dados de entrada fornecidos. Podemos usá-lo na fase de preparação de dados do aprendizado de máquina.
Backend- Fornece a função da biblioteca backend como TensorFlow e Theano .
Utilities - Fornece muitas funções utilitárias úteis no aprendizado profundo.
Deixe-nos ver backend módulo e utils modelo neste capítulo.
módulo de backend
backend moduleé usado para operações de back-end do keras. Por padrão, o keras é executado no back-end do TensorFlow. Se desejar, você pode alternar para outros back-ends, como Theano ou CNTK. A configuração do back-end Defualt é definida dentro de seu diretório raiz no arquivo .keras / keras.json.
O módulo de backend Keras pode ser importado usando o código abaixo
>>> from keras import backend as kSe estivermos usando o TensorFlow de back-end padrão , a função abaixo retornará informações baseadas no TensorFlow, conforme especificado abaixo -
>>> k.backend()
'tensorflow'
>>> k.epsilon()
1e-07
>>> k.image_data_format()
'channels_last'
>>> k.floatx()
'float32'Vamos entender algumas das funções de back-end significativas usadas para análise de dados em breve -
get_uid ()
É o identificador do gráfico padrão. É definido abaixo -
>>> k.get_uid(prefix='')
1
>>> k.get_uid(prefix='') 2reset_uids
Ele é usado para redefinir o valor uid.
>>> k.reset_uids()Agora, execute novamente o get_uid () . Isso será redefinido e alterado novamente para 1.
>>> k.get_uid(prefix='')
1placeholder
É usado para instanciar um tensor de espaço reservado. Um espaço reservado simples para manter a forma 3-D é mostrado abaixo -
>>> data = k.placeholder(shape = (1,3,3))
>>> data
<tf.Tensor 'Placeholder_9:0' shape = (1, 3, 3) dtype = float32>
If you use int_shape(), it will show the shape.
>>> k.int_shape(data) (1, 3, 3)ponto
É usado para multiplicar dois tensores. Considere que aeb são dois tensores e c será o resultado da multiplicação de ab. Suponha que a forma seja (4,2) e a forma b seja (2,3). É definido abaixo,
>>> a = k.placeholder(shape = (4,2))
>>> b = k.placeholder(shape = (2,3))
>>> c = k.dot(a,b)
>>> c
<tf.Tensor 'MatMul_3:0' shape = (4, 3) dtype = float32>
>>>uns
É usado para inicializar tudo como one valor.
>>> res = k.ones(shape = (2,2))
#print the value
>>> k.eval(res)
array([[1., 1.], [1., 1.]], dtype = float32)batch_dot
É utilizado para realizar o produto de dois dados em lotes. A dimensão de entrada deve ser 2 ou superior. É mostrado abaixo -
>>> a_batch = k.ones(shape = (2,3))
>>> b_batch = k.ones(shape = (3,2))
>>> c_batch = k.batch_dot(a_batch,b_batch)
>>> c_batch
<tf.Tensor 'ExpandDims:0' shape = (2, 1) dtype = float32>variável
É usado para inicializar uma variável. Vamos realizar uma operação simples de transposição nesta variável.
>>> data = k.variable([[10,20,30,40],[50,60,70,80]])
#variable initialized here
>>> result = k.transpose(data)
>>> print(result)
Tensor("transpose_6:0", shape = (4, 2), dtype = float32)
>>> print(k.eval(result))
[[10. 50.]
[20. 60.]
[30. 70.]
[40. 80.]]Se você deseja acessar de numpy -
>>> data = np.array([[10,20,30,40],[50,60,70,80]])
>>> print(np.transpose(data))
[[10 50]
[20 60]
[30 70]
[40 80]]
>>> res = k.variable(value = data)
>>> print(res)
<tf.Variable 'Variable_7:0' shape = (2, 4) dtype = float32_ref>is_sparse (tensor)
É usado para verificar se o tensor é esparso ou não.
>>> a = k.placeholder((2, 2), sparse=True)
>>> print(a) SparseTensor(indices =
Tensor("Placeholder_8:0",
shape = (?, 2), dtype = int64),
values = Tensor("Placeholder_7:0", shape = (?,),
dtype = float32), dense_shape = Tensor("Const:0", shape = (2,), dtype = int64))
>>> print(k.is_sparse(a)) Trueto_dense ()
É usado para converter esparso em denso.
>>> b = k.to_dense(a)
>>> print(b) Tensor("SparseToDense:0", shape = (2, 2), dtype = float32)
>>> print(k.is_sparse(b)) Falserandom_uniform_variable
É usado para inicializar usando uniform distribution conceito.
k.random_uniform_variable(shape, mean, scale)Aqui,
shape - denota as linhas e colunas no formato de tuplas.
mean - média de distribuição uniforme.
scale - desvio padrão da distribuição uniforme.
Vamos dar uma olhada no exemplo de uso abaixo -
>>> a = k.random_uniform_variable(shape = (2, 3), low=0, high = 1)
>>> b = k. random_uniform_variable(shape = (3,2), low = 0, high = 1)
>>> c = k.dot(a, b)
>>> k.int_shape(c)
(2, 2)módulo utils
utilsfornece funções de utilitários úteis para aprendizado profundo. Alguns dos métodos fornecidos peloutils módulo é o seguinte -
HDF5Matrix
É usado para representar os dados de entrada no formato HDF5.
from keras.utils import HDF5Matrix data = HDF5Matrix('data.hdf5', 'data')to_categorical
É usado para converter o vetor de classe em matriz de classe binária.
>>> from keras.utils import to_categorical
>>> labels = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
>>> to_categorical(labels)
array([[1., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 1., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 1., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 1., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 1., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 1., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 1., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 1., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 1., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0., 1.]], dtype = float32)
>>> from keras.utils import normalize
>>> normalize([1, 2, 3, 4, 5])
array([[0.13483997, 0.26967994, 0.40451992, 0.53935989, 0.67419986]])print_summary
É usado para imprimir o resumo do modelo.
from keras.utils import print_summary print_summary(model)plot_model
É usado para criar a representação do modelo em formato de ponto e salvá-la em um arquivo.
from keras.utils import plot_model
plot_model(model,to_file = 'image.png')este plot_model irá gerar uma imagem para entender o desempenho do modelo.