Python 3.x에서 딥 러닝을 위해 keras 모듈을 사용하는 방법

Python 3.x에서 딥 러닝을 위해 Keras 모듈을 사용하는 방법

Keras는 딥 러닝 모델을 구축하고 훈련하기 위한 고급 신경망 라이브러리입니다. Python을 기반으로 하며 TensorFlow, Theano 및 MxNet과 같은 백엔드를 지원합니다. Keras는 간단하고 사용하기 쉬운 API를 제공하므로 Multilayer Perceptron, Convolutional Neural Network 및 Recurrent Neural Network) 대기와 같은 다양한 유형의 딥 러닝 모델을 빠르게 구축할 수 있습니다.

이 글에서는 Python 3.x 환경에서 딥러닝을 위해 Keras 모듈을 사용하는 방법을 소개합니다. 먼저 Keras와 해당 종속 라이브러리를 설치한 다음 간단한 예제 코드를 통해 간단한 신경망 모델을 구축하고 학습하는 방법을 알아봅니다.

1. Keras 설치

시작하기 전에 Python 환경에 Keras를 설치해야 합니다. Keras는 다음 명령을 통해 pip를 사용하여 설치할 수 있습니다:

pip install keras

2. 간단한 신경망 모델 구축

다음으로 Keras를 사용하여 간단한 신경망 모델을 구축하여 필기 숫자 인식 작업을 구현하겠습니다. 먼저 필요한 라이브러리를 가져와야 합니다.

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

그런 다음 60,000개의 훈련 샘플과 10,000개의 테스트 샘플이 포함된 MNIST 데이터 세트를 로드해야 합니다. 각 샘플은 [0, 9 ]에 해당하는 28x28 회색조 이미지입니다. 숫자 사이. 다음 코드를 사용하여 데이터세트를 로드할 수 있습니다.

from keras.datasets import mnist

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

다음으로 데이터를 전처리해야 합니다. 원본 이미지 데이터는 28x28 회색조 이미지이므로 784차원 벡터로 평면화하고 입력 데이터를 정규화하여 [0, 255] ~ [0, 1] 범위의 픽셀 값을 스케일링해야 합니다. :

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

모델을 훈련하려면 레이블도 원-핫 인코딩해야 합니다. Keras는 이 단계를 달성하는 데 도움이 되는 np_utils.to_categorical() 함수를 제공합니다.

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

이제 간단한 다층 퍼셉트론(Multilayer Perceptron) 모델을 구축할 수 있습니다. 이 모델에는 입력 레이어, 두 개의 숨겨진 레이어 및 출력 레이어가 포함되어 있습니다. Sequential() 함수를 사용하여 시퀀스 모델을 생성하고 Dense() 함수를 사용하여 레이어를 추가할 수 있습니다.

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'))

모델이 빌드된 후에는 모델을 컴파일해야 합니다. compile() 함수를 사용하여 모델 훈련 프로세스를 구성할 수 있습니다. 여기에서 손실 함수, 최적화 도구 및 평가 지표를 지정할 수 있습니다.

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

3. 모델 학습 및 예측

모델이 컴파일된 후 fit() 함수를 사용하여 모델을 학습할 수 있습니다. 훈련 데이터, 훈련 라운드 수, 각 배치의 샘플 수를 지정할 수 있습니다.

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

모델 훈련이 완료된 후에는 평가() 함수를 사용하여 테스트에서 모델 성능을 평가할 수 있습니다. set:

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

마지막으로 예측_classes() 함수를 사용하여 새 샘플의 범주를 예측할 수 있습니다.

predictions = model.predict_classes(X_test)

이렇게 하여 간단한 신경망 모델의 구성 및 훈련 과정을 완료했습니다.

요약:

이 글에서는 Python 3.x에서 딥러닝을 위해 Keras 모듈을 사용하는 방법을 소개합니다. 먼저 Keras와 해당 종속 라이브러리를 설치한 후 샘플 코드를 통해 간단한 신경망 모델을 구축하고 훈련하는 방법을 배웠습니다. 이것은 단지 딥러닝에 대한 소개일 뿐입니다. Keras는 다양한 요구 사항을 충족하기 위해 더 많은 기능과 모델도 제공합니다. 이 글의 서론을 통해 독자들이 케라스와 딥러닝에 대한 사전적 이해를 갖고, 실무에 활용해 볼 수 있기를 바랍니다.

위 내용은 Python 3.x에서 딥 러닝을 위해 keras 모듈을 사용하는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!