Cara menggunakan modul keras untuk pembelajaran mendalam dalam Python 3.x

WBOY
Lepaskan: 2023-07-30 15:21:41
asal
1893 orang telah melayarinya

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
Salin selepas log masuk

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
Salin selepas log masuk

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()
Salin selepas log masuk

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
Salin selepas log masuk

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)
Salin selepas log masuk

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'))
Salin selepas log masuk

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'])
Salin selepas log masuk

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)
Salin selepas log masuk

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)
Salin selepas log masuk

Akhir sekali, kita boleh Gunakan fungsi predict_classes() untuk meramalkan kategori sampel baharu:

predictions = model.predict_classes(X_test)
Salin selepas log masuk

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!

Label berkaitan:
sumber:php.cn
Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn
Tutorial Popular
Lagi>
Muat turun terkini
Lagi>
kesan web
Kod sumber laman web
Bahan laman web
Templat hujung hadapan
Tentang kita Penafian Sitemap
Laman web PHP Cina:Latihan PHP dalam talian kebajikan awam,Bantu pelajar PHP berkembang dengan cepat!