Python 3.x でディープラーニングに keras モジュールを使用する方法

Python 3 でディープ ラーニングに Keras モジュールを使用する方法。x

Keras は、ディープ ラーニング モデルを構築およびトレーニングするための高レベルのニューラル ネットワーク ライブラリです。 Python に基づいており、TensorFlow、Theano、MxNet などのバックエンドをサポートしています。 Keras はシンプルで使いやすい API を提供しており、多層パーセプトロン、畳み込みニューラル ネットワーク、リカレント ニューラル ネットワークなど、さまざまなタイプの深層学習モデルを迅速に構築できます。

この記事では、Python 3.x 環境でディープ ラーニングに Keras モジュールを使用する方法を紹介します。最初に Keras とその依存ライブラリをインストールし、次に簡単なサンプル コードを通じて簡単なニューラル ネットワーク モデルを構築およびトレーニングする方法を学びます。

1. Keras のインストール

始める前に、Keras を Python 環境にインストールする必要があります。 Keras は、次のコマンドで pip を使用してインストールできます:

pip install keras

2. シンプルなニューラル ネットワーク モデルを構築する

次に、Keras を使用して、手書き数字認識を実現するためのシンプルなニューラル ネットワーク モデルを構築します。タスク。まず、必要なライブラリをインポートする必要があります:

import numpy as np
from keras.models import Sequential
from keras.layers import Dense
from keras.utils import np_utils

次に、60,000 のトレーニング サンプルと 10,000 のテスト サンプルを含む MNIST データ セットをロードする必要があります。各サンプルは 28x28 のグレースケール イメージであり、A に対応します。 [0, 9] の間の数値。次のコードを使用してデータセットをロードできます:

from keras.datasets import mnist

(X_train, Y_train), (X_test, Y_test) = mnist.load_data()

次に、データを前処理する必要があります。元の画像データは 28x28 のグレースケール画像であるため、これを 784 次元のベクトルに平坦化し、入力データを正規化してピクセル値を [0, 255] から [0, 1 ] の範囲内でスケールする必要があります。 :

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

モデルをトレーニングできるようにするには、ラベルをワンホット エンコードする必要もあります。 Keras は、このステップの達成に役立つ np_utils.to_categorical() 関数を提供します。

Y_train = np_utils.to_categorical(Y_train, 10)
Y_test = np_utils.to_categorical(Y_test, 10)

これで、単純な多層パーセプトロン (多層パーセプトロン) モデルを構築できます。このモデルには、入力層、2 つの隠れ層、および出力層が含まれています。 Sequential() 関数を使用してシーケンス モデルを作成し、Dense() 関数を使用してレイヤーを追加できます。

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'))

モデルを構築した後、モデルをコンパイルする必要があります。モデルのトレーニング プロセスを構成するには、compile() 関数を使用できます。ここで、損失関数、オプティマイザー、評価インデックスを指定できます:

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

3. トレーニング モデルと予測

モデルがコンパイルされた後、fit() 関数を使用して、モデル。トレーニング データ、トレーニング ラウンド数、各バッチのサンプル数を指定できます。

model.fit(X_train, Y_train, epochs=10, batch_size=128)

モデルのトレーニングが完了したら、evaluate() 関数を使用して、モデルのパフォーマンスを評価できます。テスト セットのモデル:

loss, accuracy = model.evaluate(X_test, Y_test)
print('Test loss:', loss)
print('Test accuracy:', accuracy)

最後に、predict_classes() 関数を使用して、新しいサンプルのカテゴリを予測できます:

predictions = model.predict_classes(X_test)

このようにして、構築とトレーニングのプロセスが完了しました。単純なニューラル ネットワーク モデルの。

概要:

この記事では、Python 3.x でディープ ラーニングに Keras モジュールを使用する方法を紹介します。最初に Keras とその依存ライブラリをインストールし、次にサンプル コードを通じて単純なニューラル ネットワーク モデルを構築およびトレーニングする方法を学びました。これはディープ ラーニングの入門にすぎませんが、Keras はさまざまなニーズを満たすためにさらに多くの機能とモデルも提供しています。読者の皆様には、この記事の紹介を通じて Keras とディープ ラーニングについて予備的な理解を深め、実際のアプリケーションで使用できるようになることを願っています。

以上がPython 3.x でディープラーニングに keras モジュールを使用する方法の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。