So verwenden Sie das Keras-Modul für Deep Learning in Python 3.x
Keras ist eine fortschrittliche neuronale Netzwerkbibliothek zum Erstellen und Trainieren von Deep-Learning-Modellen. Es basiert auf Python und unterstützt Backends wie TensorFlow, Theano und MxNet. Keras bietet eine einfache und benutzerfreundliche API, mit der wir schnell verschiedene Arten von Deep-Learning-Modellen erstellen können, z. B. Multilayer Perceptron, Convolutional Neural Network und Recurrent Neural Network.
In diesem Artikel wird erläutert, wie Sie das Keras-Modul für Deep Learning in der Python 3.x-Umgebung verwenden. Wir werden zunächst Keras und seine abhängigen Bibliotheken installieren und dann anhand eines einfachen Beispielcodes lernen, wie man ein einfaches neuronales Netzwerkmodell erstellt und trainiert.
1. Keras installieren
Bevor wir beginnen, müssen wir Keras in unserer Python-Umgebung installieren. Keras kann mit pip über den folgenden Befehl installiert werden:
pip install keras
2. Erstellen Sie ein einfaches neuronales Netzwerkmodell
Als nächstes werden wir Keras verwenden, um ein einfaches neuronales Netzwerkmodell zu erstellen, um die Aufgabe zur handschriftlichen Ziffernerkennung zu implementieren. Zuerst müssen wir die erforderlichen Bibliotheken importieren:
import numpy as np from keras.models import Sequential from keras.layers import Dense from keras.utils import np_utils
Dann müssen wir den MNIST-Datensatz laden, der 60.000 Trainingsbeispiele und 10.000 Testbeispiele enthält. Jedes Beispiel ist ein 28x28-Graustufenbild, was einem [0, 9] entspricht. zwischen Zahlen. Der Datensatz kann mit dem folgenden Code geladen werden:
from keras.datasets import mnist (X_train, Y_train), (X_test, Y_test) = mnist.load_data()
Als nächstes müssen wir die Daten vorverarbeiten. Da es sich bei den Originalbilddaten um ein 28x28-Graustufenbild handelt, müssen wir sie in einen 784-dimensionalen Vektor reduzieren und die Eingabedaten normalisieren, um den Pixelwert innerhalb des Bereichs von [0, 255] bis [0, 1] zu skalieren :
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') / 255Um das Modell trainieren zu können, müssen wir auch die Labels One-Hot-enkodieren. Keras stellt die Funktion np_utils.to_categorical() bereit, um uns bei diesem Schritt zu helfen:
Y_train = np_utils.to_categorical(Y_train, 10) Y_test = np_utils.to_categorical(Y_test, 10)
Jetzt können wir ein einfaches mehrschichtiges Perzeptronmodell (Multilayer Perceptron) erstellen. Dieses Modell enthält eine Eingabeebene, zwei verborgene Ebenen und eine Ausgabeebene. Sie können die Funktion Sequential() verwenden, um ein Sequenzmodell zu erstellen, und die Funktion Dense(), um Ebenen hinzuzufügen:
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'))
Nachdem das Modell erstellt wurde, müssen wir das Modell kompilieren. Mit der Funktion „compile()“ können Sie den Modelltrainingsprozess konfigurieren. Hier können wir die Verlustfunktion, den Optimierer und die Bewertungsmetriken angeben:
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
3. Trainingsmodell und Vorhersage
Nachdem das Modell kompiliert wurde, können wir die Funktion fit() verwenden, um das Modell zu trainieren. Sie können die Trainingsdaten, die Anzahl der Trainingsrunden und die Anzahl der Proben in jedem Stapel angeben:
model.fit(X_train, Y_train, epochs=10, batch_size=128)
Nachdem das Modelltraining abgeschlossen ist, können wir die Funktion „evaluieren()“ verwenden, um die Leistung des Modells im Test zu bewerten set:
loss, accuracy = model.evaluate(X_test, Y_test)
print('Test loss:', loss)
print('Test accuracy:', accuracy)Schließlich können wir die Funktion „predict_classes()“ verwenden, um die Kategorien neuer Stichproben vorherzusagen:
predictions = model.predict_classes(X_test)
Auf diese Weise haben wir den Konstruktions- und Trainingsprozess eines einfachen neuronalen Netzwerkmodells abgeschlossen.
Zusammenfassung:
In diesem Artikel wird die Verwendung des Keras-Moduls für Deep Learning in Python 3.x vorgestellt. Wir haben zunächst Keras und seine abhängigen Bibliotheken installiert und dann anhand von Beispielcode gelernt, wie man ein einfaches neuronales Netzwerkmodell erstellt und trainiert. Dies ist nur eine Einführung in Deep Learning. Keras bietet außerdem weitere Funktionen und Modelle, um unterschiedlichen Anforderungen gerecht zu werden. Ich hoffe, dass die Leser durch die Einführung dieses Artikels ein vorläufiges Verständnis von Keras und Deep Learning erlangen und es in praktischen Anwendungen nutzen können.
Das obige ist der detaillierte Inhalt vonSo verwenden Sie das Keras-Modul für Deep Learning in Python 3.x. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
