Cara menggunakan modul Keras untuk pembelajaran mendalam dalam Python 3.x
Keras ialah perpustakaan rangkaian saraf lanjutan untuk membina dan melatih model pembelajaran mendalam. Ia berdasarkan Python dan menyokong backend seperti TensorFlow, Theano, dan MxNet. Keras menyediakan API yang ringkas dan mudah digunakan, membolehkan kami membina pelbagai jenis model pembelajaran mendalam dengan cepat, seperti Multilayer Perceptron, Convolutional Neural Network dan Recurrent Neural Network )wait.
Artikel ini akan memperkenalkan cara menggunakan modul Keras untuk pembelajaran mendalam dalam persekitaran Python 3.x. Kami mula-mula akan memasang Keras dan perpustakaan bergantungnya, dan kemudian belajar cara membina dan melatih model rangkaian saraf mudah melalui kod contoh mudah.
1. Pasang Keras
Sebelum kita mula, kita perlu memasang Keras ke dalam persekitaran Python kita. Keras boleh dipasang menggunakan pip melalui arahan berikut:
pip install keras
2. Bina model rangkaian neural yang ringkas
Seterusnya, kami akan menggunakan Keras untuk membina model rangkaian neural ringkas untuk melaksanakan tugas pengecaman digit tulisan tangan. Pertama, kita perlu mengimport perpustakaan yang diperlukan:
import numpy as np from keras.models import Sequential from keras.layers import Dense from keras.utils import np_utils
Kemudian, kita perlu memuatkan set data MNIST, yang mengandungi 60,000 sampel latihan dan 10,000 sampel ujian Setiap sampel ialah imej skala kelabu 28x28, sepadan dengan [0, 9 ] antara nombor. Set data boleh dimuatkan menggunakan kod berikut:
from keras.datasets import mnist (X_train, Y_train), (X_test, Y_test) = mnist.load_data()
Seterusnya, kita perlu praproses data. Memandangkan data imej asal ialah imej skala kelabu 28x28, kita perlu meratakannya menjadi vektor 784 dimensi dan menormalkan data input untuk menskalakan nilai piksel daripada julat [0, 255] hingga [0, 1 ] Dalam julat :
X_train = X_train.reshape(X_train.shape[0], 784).astype('float32') / 255 X_test = X_test.reshape(X_test.shape[0], 784).astype('float32') / 255
Untuk dapat melatih model, kita juga perlu mengekod satu-panas label. Keras menyediakan fungsi np_utils.to_categorical() untuk membantu kami mencapai langkah ini:
Y_train = np_utils.to_categorical(Y_train, 10) Y_test = np_utils.to_categorical(Y_test, 10)
Kini, kami boleh membina model perceptron berbilang lapisan (Multilayer Perceptron) mudah. Model ini mengandungi lapisan input, dua lapisan tersembunyi dan lapisan output. Anda boleh menggunakan fungsi Sequential() untuk mencipta model jujukan dan fungsi Dense() untuk menambah lapisan:
model = Sequential() model.add(Dense(units=512, input_dim=784, activation='relu')) model.add(Dense(units=512, activation='relu')) model.add(Dense(units=10, activation='softmax'))
Selepas model dibina, kita perlu menyusun model. Anda boleh menggunakan fungsi compile() untuk mengkonfigurasi proses latihan model. Di sini, kita boleh menentukan fungsi kehilangan, pengoptimum dan metrik penilaian:
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
3. Model latihan dan ramalan
Selepas model disusun, kita boleh menggunakan fungsi fit() untuk melatih model. Anda boleh menentukan data latihan, bilangan pusingan latihan dan bilangan sampel dalam setiap kelompok:
model.fit(X_train, Y_train, epochs=10, batch_size=128)
Selepas latihan model selesai, kami boleh menggunakan fungsi evaluate() untuk menilai prestasi model pada ujian set:
loss, accuracy = model.evaluate(X_test, Y_test) print('Test loss:', loss) print('Test accuracy:', accuracy)
Akhir sekali, kita boleh Gunakan fungsi predict_classes() untuk meramalkan kategori sampel baharu:
predictions = model.predict_classes(X_test)
Dengan cara ini, kami telah menyelesaikan proses pembinaan dan latihan model rangkaian saraf mudah.
Ringkasan:
Artikel ini memperkenalkan cara menggunakan modul Keras untuk pembelajaran mendalam dalam Python 3.x. Kami mula-mula memasang Keras dan perpustakaan bergantungnya, dan kemudian mempelajari cara membina dan melatih model rangkaian saraf mudah melalui kod sampel. Ini hanyalah pengenalan kepada pembelajaran mendalam Keras juga menyediakan lebih banyak fungsi dan model untuk memenuhi keperluan yang berbeza. Saya berharap pembaca dapat memahami kefahaman awal tentang Keras dan pembelajaran mendalam melalui pengenalan artikel ini, dan dapat menggunakannya dalam aplikasi praktikal.
Atas ialah kandungan terperinci Cara menggunakan modul keras untuk pembelajaran mendalam dalam Python 3.x. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!