Ein Leitfaden für Anfänger zum Deep Learning in PHP

In den letzten Jahren hatte die rasante Entwicklung der Deep-Learning-Technologie große Auswirkungen auf viele Bereiche. Als beliebte Programmiersprache integriert sich PHP nach und nach auch in Deep Learning. In diesem Artikel stellen wir Anfängern eine einfache Einführung in Deep Learning in PHP zur Verfügung, damit sie verstehen, wie Deep Learning in PHP implementiert wird, und davon profitieren können.

Zuerst müssen wir verstehen, was Deep Learning ist. Im Bereich der künstlichen Intelligenz ist Deep Learning eine Technologie des maschinellen Lernens, die darauf abzielt, Computer in die Lage zu versetzen, eigenständig zu lernen und Aufgaben auszuführen, anstatt von Menschen programmiert zu werden. Deep Learning stellt menschliche Bemühungen dar, menschliches Denken und Verhalten zu simulieren.

Um Deep Learning in PHP zu implementieren, benötigen wir einige wichtige Tools und Bibliotheken. Im Folgenden sind einige bemerkenswerte Tools und Bibliotheken aufgeführt:

1. TensorFlow: Es handelt sich um eine sehr beliebte Deep-Learning-Bibliothek, die die Programmiersprachen Python und C++ unterstützt. Sie ist reich an detaillierter Dokumentation und Anwendungsbeispielen und ist sehr benutzerfreundlich für Anfänger begonnen.
2. Keras: Keras ist eine Deep-Learning-Bibliothek auf hohem Niveau. Sie ist eine Schnittstelle zu TensorFlow und bietet eine leichter verständliche API.
3. Theano: Theano ist eine Bibliothek zum Definieren, Optimieren und Auswerten mathematischer Ausdrücke, die häufig im Hochleistungsrechnen verwendet wird.

Für PHP-Entwickler ist Keras eine gute Wahl. Wir können Keras verwenden, um Deep-Learning-Modelle zu erstellen.

Als nächstes zeigen wir, wie man Keras für Deep Learning in PHP verwendet.

Zuerst müssen wir Keras in der PHP-Umgebung installieren. Wir können Composer verwenden, um die Keras-Bibliothek von PHP von Packagist zu installieren. Geben Sie in der Befehlszeile den folgenden Befehl ein:

composer require php-ai/php-ml

Sobald die Installation abgeschlossen ist, können wir mit dem Aufbau des Deep-Learning-Modells beginnen.

Hier zeigen wir anhand eines Beispiels den Aufbauprozess eines Deep-Learning-Modells. Wir möchten ein Modell für die digitale Erkennung trainieren.

Zuerst müssen wir Trainingsdaten vorbereiten. Wir können den MNIST-Datensatz verwenden, der ein sehr beliebter numerischer Datensatz ist und bereits in Keras enthalten ist.

use PhpmlDatasetMnistDataset;
$dataset = new MnistDataset();
$dataset->load();

Als nächstes müssen wir die Daten in Trainingsdaten und Testdaten aufteilen.

use PhpmlCrossValidationStratifiedRandomSplit;
$sampler = new StratifiedRandomSplit($dataset->getSamples(), $dataset->getTargets(), 0.5);

In diesem Beispiel haben wir StratifiedRandomSplit verwendet, eine Datenaufteilungsmethode in der PHPML-Bibliothek.

Als nächstes werden wir mit Keras ein Deep-Learning-Modell erstellen. Wir werden das sequentielle Modell verwenden, bei dem es sich um ein einfaches Deep-Learning-Modell handelt.

use PhpmlNeuralNetworkLayerDense;
use PhpmlNeuralNetworkLayerFlatten;
use PhpmlNeuralNetworkLayerActivation;
use PhpmlNeuralNetworkLayerDropout;
use PhpmlNeuralNetworkClassifierKeras;
use PhpmlNeuralNetworkOptimizerAdam;
use PhpmlNeuralNetworkActivationFunctionSigmoid;

$model = new Sequential();

$model->add(new Flatten());
$model->add(new Dense(800, new Sigmoid()));
$model->add(new Dropout(0.2));
$model->add(new Dense(10, new Sigmoid()));
$model->add(new Activation('softmax'));

$optimizer = new Adam();
$model->compile($optimizer, 'categorical_crossentropy', ['accuracy']);

Hier haben wir ein sequentielles Modell erstellt und einige Ebenen hinzugefügt. Konkret haben wir eine Flatten-Schicht, eine dichte Schicht mit 800 Knoten, eine 20 %-Dropout-Schicht, eine dichte Schicht mit 10 Knoten und eine Aktivierungsschicht mit Softmax-Aktivierung hinzugefügt.

Als nächstes müssen wir das Modell an die Trainingsdaten anpassen.

$keras = new Keras([
    'input_shape' => [1, 28, 28],
    'output_shape' => [10],
    'loss' => 'categorical_crossentropy',
    'metrics' => ['accuracy'],
    'epochs' => 3,
    'batch_size' => 128,
]);

$keras->fit($sampler->getTrainSamples(), $sampler->getTrainLabels());

Hier instanziieren wir das Keras-Objekt und trainieren es für 3 Epochen mit einer Stapelgröße von 128.

Schließlich können wir den Testdatensatz verwenden, um unser Modell zu bewerten.

$score = $keras->score($sampler->getTestSamples(), $sampler->getTestLabels());
echo 'Test Accuracy: ' . $score['accuracy'] . PHP_EOL;

Hier verwenden wir die in Keras bereitgestellte Bewertungsmethode, um die Genauigkeit des Testdatensatzes zu bewerten.

Dies ist eine einfache Einführung in Deep Learning in PHP. Jetzt haben wir gesehen, wie man mit Keras ein Deep-Learning-Modell in PHP erstellt und wie man das Modell trainiert und bewertet. Mit diesem Beispiel hoffen wir, Anfängern dabei zu helfen, die Deep-Learning-Technologie besser zu verstehen und anzuwenden.

Das obige ist der detaillierte Inhalt vonEin Leitfaden für Anfänger zum Deep Learning in PHP. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!