Czy ktoś kiedykolwiek był świadomy użycia Pythona w projektowaniu i rozwoju robotów? Jeśli tak, trzeba być w stanie wykazać, że idea głębokiego uczenia się Pythona jest jedynym sposobem na osiągnięcie tego. Uczenie maszynowe to badania technik optymalizacji, które czerpie inspirację z modelu ludzkiego umysłu. Dyscypliny nauki o danych, w tym robotyka, sztuczna inteligencja (AI), identyfikacja muzyczna i wideo oraz identyfikacja obrazu, odnotowują wzrost korzystania z głębokiego uczenia się. Podejścia do głębokiego uczenia się są budowane wokół syntetycznych sieci neuronowych. Przed kopaniem głęboko musisz najpierw zrozumieć pojęcie rogów.

Keras

Wśród najbardziej skutecznych i przyjaznych dla użytkownika wtyczek do budowania głęboko uczenia się algorytmów jest podwyższone sztuczne ramy neuronowe oparte na Pythonie, które byłyby zbudowane na dobrze znanych głębokich ramach, takich jak TensorFlow lub CntK. Aby umożliwić szybszą eksplorację przy użyciu głębszych sieci neuronowych, jest zaprojektowana przyjazna dla użytkownika, rozszerzalna i elastyczna. Obsługuje zarówno sieciowe, jak i wymyślone sieci osobno, a także w kombinacji. Używa pakietu backend, aby zająć się małymi operacjami, ponieważ nie jest w stanie ich zarządzać. Wdrożenie keras, podstaw głębokiego uczenia się, struktur runów, warstw keras, pakietów rogów i programowania w czasie rzeczywistym zostanie omówione na tej lekcji.

Skonfiguruj keras na Linux

Krok 01: System aktualizacji

Przed pełną demonstracją użycia biblioteki Python „Keras” musimy w pełni zaktualizować nasz komputer Linux, aby ułatwić dalsze instalacje. W tym celu musimy szybko otworzyć aplikację „konsolową” z wbudowanych aplikacji systemu. W danym obszarze zapytania dodaliśmy zapytanie „Aktualizacja” Linux z przywilejem „Apt” i „sudo”, aby szybko aktualizować system, który mamy. Wymagało to hasła użytkownika, aby kontynuować ten proces, aby nasz system mógł być poprawnie aktualizowany.

Krok 02: Zainstaluj Python i PIP

Aby wykorzystać głębokie uczenie się za pośrednictwem keras i tensorflow, musimy mieć najnowszą wersję Pythona na naszym komputerze. Dlatego zaczynamy instalować zaktualizowany pakiet Pythona wraz z jego niezbędnym użytecznością „PIP” w naszym systemie. W tym celu musimy ponownie użyć „apt” Ubuntu 20.04 system Linux w zapytaniu „instaluj” na powładzie, a następnie nazwy pakietów, które mają być zainstalowane, i.mi., Python3 i Python3-Pip. Po wykonaniu tego prostego zapytania w obszarze konsoli system zacznie instalować i skonfigurować oba pakiety w naszym systemie.

Z drugiej strony, jeśli twój system ma zainstalowaną starą wersję narzędzia „PIP” do Pythona, powinieneś go zaktualizować przed przejściem do przodu.

Po udanej konfiguracji Pythona i jego narzędzia „PIP” nadszedł czas, aby ulepszyć Setuptools dla Pythona, aby uniknąć problemów w najbliższej przyszłości. Stąd wypróbowaliśmy zapytanie instalacyjne z opcją „PIP3” i -upgrade, aby zainstalować aktualizację setuptools, i.mi., Narzędzia konfiguracyjne. Prosi o bieżące hasło, które mamy dla naszego systemu, i dodaliśmy je.

Krok 03: Zainstaluj TensorFlow

W celu budowania uczenia maszynowego i nadzorowanych modeli neuronowych, TensorFlow jest najbardziej znanym symbolicznym pakietem matematycznym. Po przejściu instalacji wykonaliśmy to samo zapytanie instalacyjne „PIP3”, a następnie nazwę pakietu „TensorFlow”.

Inne narzędzia związane z tensorflow muszą być w pełni zainstalowane w systemie. Te narzędzia zostaną zainstalowane wraz z TensorFlow i może to potrwać do 10 lub więcej minut.

Krok 04: Zainstaluj niezbędne pakiety

Po owocnej konfiguracji tensorflow w Ubuntu 20.04 System, musimy również skonfigurować niektóre pakiety kompilacji wraz z innymi narzędziami, takimi jak „git” i „cmake”. Próbując tego samego narzędzia „apt”, zainstalowaliśmy wiele niezbędnych pakietów, jak pokazano poniżej:

Ten krok jest najwięcej uwagi, potwierdzając tę ​​instalację. Stuknij „Y” i kontynuuj.

Krok 05: Utwórz środowisko wirtualne

Po niezbędnych instalacjach nadszedł czas na stworzenie wirtualnego środowiska. Dlatego musimy użyć narzędzia Python3 z opcją „-M”, aby utworzyć środowisko wirtualne „kerasenv” za pośrednictwem zmiennej „VENV”. Zapytanie „LS” pokazuje, że środowisko jest tworzone.

Teraz musimy poruszać się w wirtualnym środowisku folderu Keras. Używamy więc instrukcji „CD” wraz z nazwą folderu środowiska wirtualnego. Następnie poruszaliśmy się w folderze „bin” tego wirtualnego środowiska i wymieniliśmy jego sub. Aby aktywować to środowisko Pythona, wypróbowaliśmy instrukcję „źródła” w jej obszarze zapytania wraz z plik „Aktywuj”. Środowisko wirtualne zostaje aktywowane z nazwą „Kerasenv”.

Krok 06: Zainstaluj biblioteki Python

Po pomyślnym ustawieniu środowiska wirtualnego Pythona musisz zainstalować wszystkie wymagane biblioteki Pythona przed instalacją rat. Dlatego instalujemy bibliotekę pandy najpierw w tym samym środowisku wirtualnym za pomocą pakietu „PIP” Pythona.

System rozpocznie konfigurowanie go w wirtualnym środowisku Pythona, jak pokazano na obrazie:

Po zainstalowaniu biblioteki PandaS spróbuj zainstalować bibliotekę Numpy za pomocą następującej metody:

W bardzo podobny sposób zainstaluj bibliotekę scipy Python w tym samym środowisku.

Teraz zainstaluj bibliotekę Matplotlib w Pythonie w środowisku.

Python wykorzystuje algorytmy grupowania i regresji w uczeniu maszynowym do wykonywania modeli sieci neuronowych. W tym celu ma bibliotekę SCIT Learn, którą instalujemy z narzędziem „PIP” wraz z opcją „-u”, aby skonfigurować wymagane pakiety, również.

Przetwarzanie instalacji biblioteki Scikit pokazano poniżej:

Do wizualizacji w głębokim uczeniu się potrzebujemy instalacji biblioteki Seaorn Python. Dlatego instalujemy go w tym samym środowisku z zapytaniem „instaluj”.

Krok 07: Zainstaluj bibliotekę keras

Po instalacji wszystkich niezbędnych bibliotek Python możemy w końcu zainstalować keras w wirtualnym środowisku Python. Narzędzie „PIP” zostanie wykorzystane do tego celu w ramach naszego zapytania „Instaluj” o nazwie modułu, i.mi., „Keras”. Jeśli system pokazuje, że jego wymaganie jest już spełnione, oznacza to, że jest już zainstalowany i skonfigurowany.

Jeśli nie zostało jeszcze zainstalowane, to zapytanie rozpocznie pobieranie i konfigurowanie go w środowisku wirtualnym bez opóźnienia jednej sekundy, a przetwarzanie zostanie wyświetlone, jak poniżej:

Po pełnej konfiguracji i instalacji biblioteki „Keras” w środowisku wirtualnym, nadszedł czas, aby pokazać pełne informacje na ten temat na powładzie za pośrednictwem zapytania „PIP Show”. Wykonanie tego zapytania „show” przedstawiono wersję keras zainstalowanych w naszym wirtualnym środowisku Pythona, jego nazwa, jego podsumowanie, jego strona główna, autor, e -mail autora, licencja, lokalizacja, którą przyjmuje nasz system i wiele więcej, jak przedstawiono poniżej:

Po najlepszych instalacjach bibliotek kerów i tensorflow Python, musimy rzucić środowisko wirtualne. W tym celu wypróbuj zapytanie „dezaktywuj” na skorcie i wyrzuć.

Krok 08: Zainstaluj chmurę Anaconda

Python ma chmurę o nazwie „Anaconda”, która jest niezbędna do zbudowania przykładów sieci neuronowych w Python. Dlatego pobraliśmy plik wykonania do naszego systemu.

Ten plik przebywał w bieżącym folderze domowym komputera Linux zgodnie z zapytaniem „LS”. Musisz upewnić się, że najpierw jest suma kontrolna, ja.mi., Jeśli jest w pełni poprawne, czy nie za pośrednictwem zapytania SHA256Sum.

Następnie musimy zainstalować pobrany plik bash Anaconda w naszym systemie za pomocą instrukcji „bash” i nazwy pliku na tej samej konsoli. Prosi nas o sprawdzenie umowy licencyjnej przed instalacją. Więc stuknęliśmy „Enter”, aby kontynuować.

Po przejściu umowy licencyjnej prosi nas o wykorzystanie „tak”, jeśli zgadzamy się z warunkami. Musisz nacisnąć Enter, aby kontynuować instalowanie go w tym samym miejscu lub napisać ścieżkę do katalogu, w którym chcesz go zainstalować. W przeciwnym razie użyj „Ctrl-C”, aby anulować instalację.

Będzie wyświetlał długą listę pakietów, które zostaną zainstalowane w tym procesie. Po wykonaniu transakcji zacznie instalować pakiety.

Po pewnym czasie Anaconda została pomyślnie zainstalowana z dodatkowymi pakietami.

Musisz uruchomić plik „Aktywuj” z folderu Anaconda za pomocą zapytania „źródło” jako root.

Spróbuj uruchomić Navigator Anaconda, który wykorzystuje następujące zapytanie.

Aby utworzyć i pracować nad nowym środowiskiem CDA, wypróbuj instrukcję „Conda Utwórz” z opcją nazwy, a następnie nową nazwą środowiska, i.mi., Pycpu.

Ten proces wymaga naszego potwierdzenia w tworzeniu nowego środowiska. Stuknij „Y”.

Aby aktywować i uruchomić nowo wykonane środowisko CONDA, użyj zapytania „CDA Active” o nazwie twojego nowego środowiska, ja.mi., Środowisko pycpu jest teraz aktywowane.

Krok 09: Zainstaluj Spyder IDE

Spyder IDE musi zostać zainstalowany w tym środowisku, aby wykonać programy Python. W tym celu wypróbowaliśmy zapytanie instalacyjne CONDA w PyCPu Environment Shell z słowem kluczowym „Spyder”.

Stuknij „Y”, aby kontynuować instalowanie Spyder.

Krok 10: Zainstaluj bibliotekę pandy i keras

Po instalacji Spyder zainstaluj bibliotekę Pythona panda w środowisku Anaconda za pomocą zapytania instalacji CONDA z opcją -c.

Ponownie naciśnij przycisk „Y”, aby kontynuować.

Po udanej konfiguracji pandy zainstaluj bibliotekę keras z tym samym zapytaniem.

Kontynuuj po kliknięciu przycisku „Y”.

Możesz uruchomić Spyder IDE w bieżącej konsoli środowiskowej Anaconda w następujący sposób:

Spyder IDE przygotowuje się do uruchomienia.

Ukryty folder „.Keras ”został zlokalizowany w katalogu domowym. Odcznij to i otwórz „keras.plik JSON ”, aby dodać w nim następujące konfiguracje.

Skonfiguruj keras i tensorflow w systemie Windows

Aby skonfigurować keras i tensorflow w środowisku systemu Windows, musisz upewnić się, że język Pythona wraz z biblioteką „PIP” i Anaconda Navigator jest już na nim skonfigurowany. Po skonfigurowaniu powinieneś otworzyć go z obszaru wyszukiwania i poruszać się w zakładce „środowiska”. Na tej zakładce znajdziesz nazwę środowiska, w którym obecnie pracujesz.mi., baza. W poniższym obszarze znajdziesz następującą kartę. Stuknij opcję „Utwórz”.

Tutaj musisz utworzyć nową nazwę środowiska „Tensorflow”, ja.mi., są obecnie w środowisku podstawowym. Wybierz najnowszą wersję Pythona do użycia i dotknij przycisku „Utwórz” do kontynuowania.

Zobaczysz, że środowisko zaczęło ładować.

Po chwili środowisko tensorflow jest w pełni zainstalowane.

Z najbliższego obszaru można zobaczyć wszystkie zainstalowane i dostępne biblioteki i moduły dla Pythona, jak przedstawiono poniżej:

Teraz musimy zainstalować bibliotekę zaplecza TensorFlow Python za pomocą tego obszaru. Na pasku wyszukiwania napisz „TensorFlow” i zaznacz ten sam pakiet obudowy z listy pokazanej, aby go zainstalować. Stuknij przycisk „Zastosuj”, aby kontynuować instalację TensorFlow wraz z podmodułami, takimi jak „Keras”.

Zaczął działać i konfigurować tensorflow w naszym środowisku Anaconda.

Podczas instalacji wyświetli listę podkładek, które będą zainstalowane w środowisku Anaconda. Pleń przycisk „Zastosuj” i poczekaj na chwilę, aż się skończy.

Po chwili znajdziesz wszystkie zainstalowane pakiety w tym samym obszarze modułów. Widać, że biblioteka keras została zainstalowana z innymi pakietami i nie musimy go teraz instalować.

Z paska wyszukiwania systemu Windows przeszukaj słowo kluczowe „JUPYTER”. Aplikacja o nazwie „Jupyter Notebook (TENSORFLOW)” zostanie wyświetlona wraz z innymi. Stuknij na niego, aby uruchomić notebook Jupyter z włączonym TensorFlow Backend. Utwórz nowy plik Python i zacznij działać.

Głębokie uczenie się przez rogów

Głębokie uczenie się obejmuje analizę wlotu warstwowego, przy czym każda warstwa stopniowo wydobywa szczegóły na poziomie zaawansowanego z wejścia. Keras zapewnia pełne ramy w celu utworzenia dowolnej sieci neuronowej. Zarówno kreatywne, jak i niezwykle proste do zrozumienia, keras. Umożliwia modele sieci neuronowych od najbardziej naiwnego po największy i najwyższy kompleks.

Sztuczna sieć neuronowa (Ann)

Metodologia „sztucznej sieci neuronowej” (ANN) wydaje się być najczęściej stosowaną i podstawową metodą głębokiego uczenia się. Wyciągają swoje wskazówki z ludzkiego umysłu, najbardziej skomplikowanego komponentu naszego ciała, który służy jako model. Ponad 90 miliardów mikroskopowych komórek zwanych „neuronami” tworzą mózg jednostki. Aksony i dendryty są rodzajami włókien nerwowych, które łączą neurony. Podstawową funkcją aksonu jest wysyłanie danych z jednego połączonego neuronu do następnego. Aby uzyskać więcej informacji, wyszukaj z wyszukiwarki Google.

Architektura keras

Architektura API keras została sklasyfikowana do trzech głównych części wymienionych poniżej. Weźmy na siebie postaci wyraźnie.

• Model
• Warstwa
• Moduły podstawowe

Model keras

Model keras składa się z dokładnie dwóch rodzajów, i.mi., API sekwencyjny i funkcjonalny.

Model sekwencyjny

Zasadniczo model sekwencyjny jest chronologiczną kompilacją warstw keras. Prosty, uproszczony model sekwencyjny może opisać prawie wszystkie sieci neuronowe, które są obecnie używane. Model dostosowany można wykonać przy użyciu klasy modelu, który ujawnia model sekwencyjny. Podejście podklasowe można zastosować do zbudowania wyrafinowanego modelu naszego własnego. Demonstracja modelu sekwencyjnego została przedstawiona poniżej.

Dodaj warstwy

Skrypt został uruchomiony od importu trybu sekwencyjnego za pośrednictwem kerasów.modele i druga linia tworzy model sekwencyjny. Następnie import gęstej warstwy tworzy warstwę wejściową i dodaje warstwę wejściową do modelu. Ukryta gęsta warstwa została utworzona i dodana do modelu i to samo zostało wykonane dla warstwy wyjściowej.

Uzyskaj dostęp do modelu

Możesz uzyskać informacje dotyczące warstw modeli, danych wejściowych, z których używał, oraz dane o wyjściach. Model.Funkcja warstw pozwala uzyskać dostęp do wszystkich warstw. Model.Wejścia wyświetlałyby tensory wejściowe i model.Wyjście wyświetli tensory wyjściowe.

Serializuj model

Łatwo jest zwrócić model używany w skrypcie jako obiekt lub JSON. Na przykład funkcja get_config () daje model jako byt/obiekt. Funkcja from_config () tworzy nowy model za pomocą obiektu jako wartości parametrycznej.

Możesz także zmienić swój model na JSON za pomocą funkcji To_Json ().

Podsumowanie modelu

Aby uzyskać całe podsumowanie dotyczące warstw użytych w modelu wraz z dodatkowymi informacjami, zadzwoń do funkcji Summary ().

Trenuj i przewiduj model

Aby trenować i przewidzieć, powinniśmy używać funkcji kompilacji, funkcji dopasowania, oceny funkcji i przewidywania funkcji w tym zakresie.

Warstwy rogów

Każde dane wejściowe, ukryte i plonowe w sugerowanym modelu sieci neuronowych odpowiada innej warstwie kerasu w modelu rzeczywistym. Każda wyrafinowana sieć neuronowa można szybko opracować przy użyciu mnóstwa wstępnie zbudowanych warstw biblioteki keras. Istnieją różne warstwy rogów, które mamy, ja.mi., podstawowe warstwy, warstwy basenowe, powtarzające się warstwy i warstwy splotowe. Możesz je przestudiować, wyszukując w Internecie. Pierwsze dwie linie importowały tryb sekwencyjny, gęsta, aktywacji i warstwy rezygnacji.

Próbowaliśmy interfejsu API sekwencyjnego () do tworzenia modelu sekwencyjnego rezygnacji. Odrzucając model aktywacyjny „RELU”, tworzyliśmy gęstą warstwę za pośrednictwem „gęstego” interfejsu API. Aby zaspokoić nadmierne dopasowanie gęstej warstwy, użyliśmy API realsout (), i.mi., Warstwy leżące za pośrednictwem Funkcji Dropout (). Następnie używamy tutaj gęstszej warstwy z modelem aktywacji „RELU”. Aby obsłużyć gęste warstwy z nadmiernego dopasowania, musimy skorzystać z warstw rezygnacji. Ostatecznie odrzucaliśmy nasze ostateczne gęste warstwy za pomocą modelu aktywacji typu „Softmax”.

Czy kiedykolwiek występowałeś warstwami podczas gotowania? Jeśli tak, to koncepcja nie byłaby dla ciebie trudna do zrozumienia. Wynik jednego poziomu będzie służyć jako dane wejściowe dla kolejnej warstwy. Oto podstawowe rzeczy wymagane do zbudowania zupełnie nowej warstwy:

• Kształt danych wejściowych
• Całkowite neurony/jednostki w warstwie
• Inicjalizatory
• Regerizatorzy
• Ograniczenia
• Aktywacje

Kształt danych wejściowych

W języku Pythona każdy rodzaj danych wejściowych został przekonwertowany na tablicę liczb całkowitych, a następnie dodane do modelu algorytmu. W Pythonie musimy określić kształt wejściowy, aby uzyskać wyjście zgodnie z naszym wymaganiem. W poniższych przykładach określiliśmy kształt wejściowy (3,3), i.mi., 3 rzędy i 3 kolumny. Wyjście wyświetla macierz.

Inicjalizatory

Moduł inicjalizatorów warstw keras zapewnia nam wiele funkcji, aby określić określoną wagę danych wejściowych. Na przykład funkcja ZerOS () określa 0 dla wszystkich, określa by dla wszystkich, a funkcja stałej () określa określoną stałą wartość dodaną przez użytkownika dla wszystkich i więcej. Aby uzyskać lepsze zrozumienie, użyliśmy funkcji tożsamości () do wygenerowania macierzy tożsamości. Resztę funkcji można również przeszukiwać z wyszukiwarki.

Ograniczenia

Dostępne są różne funkcje ograniczeń do zastosowania ograniczeń na parametrze „wagi” warstwy, i.mi., nie wymagająca, jednostkowa norma, maksymalna norma, minmaxnorm i wiele innych. W ramach następującej ilustracji zastosowaliśmy normę ograniczenia mniejszą lub równą wagą. Parametr „max_value” jest górną granicą zastosowania ograniczenia, a oś jest wymiar, w którym ograniczenie zostanie zastosowane, i.mi., wymiar 1.

Regerizatorzy

Podczas optymalizacji nakłada różne opłaty na właściwość warstwy. Wymyśliło to również niektóre funkcje, ja.mi., Regularnizator L1, regularnizator L2 i regularnizator „Li and L2”. Oto najprostsza ilustracja funkcji regularności L1:

Aktywacje

Unikalna funkcja zwana funkcją aktywacji jest stosowana do ustalenia, czy dany neuron jest aktywny, czy nie. Funkcja aktywacji przekształca dane przychodzące w sposób złożony, co pomaga neuronom bardziej skutecznie badać. Oto kilka metod aktywacji przedstawionych w przykładach podanych poniżej:

Moduły kerów

Jak wiemy, moduły programowania zwykle zawierają funkcje, klasy i zmienne, które mają być używane do różnych i określonych celów. Po prostu biblioteka keras Pythona zawiera wiele modułów. Możesz uzyskać całą wymaganą wiedzę na temat modułów keras z Internetu.

Backend

Jednym z jego najbardziej znanych i używanych modułów jest moduł „backend”, który został zaprojektowany do używania bibliotek zaplecza Pythona, takich jak Tensorflow i Theano. Korzystając z modułu zaplecza, możemy wykorzystać jak najwięcej funkcji backendowych z biblioteki TensorFlow i Theano. Aby użyć modułu biblioteki zaplecza, musimy określić bibliotekę zaplecza do użycia w pliku konfiguracyjnym „Keras.JSON, który stworzyliśmy w ukrytym .folder rogowy. Domyślnie backend został określony jako „Tensorflow”, ale możesz go zmienić na inne, ja.mi., Theano lub Cntk.

W naszym przykładzie będziemy używać biblioteki tensorflow jako backend. Aby załadować konfiguracje zaplecza z kerów.plik JSON folderu root „Keras”, użyj:

• od ratownika importu keras jako k

Po pomyślnym zaimportowaniu zaplecza z rogów.plik JSON, nadszedł czas, aby uzyskać informacje backend za pomocą zmiennej „k” z zmienną do pobrania. Po pierwsze, przynosiliśmy nazwę backend, z którego korzystaliśmy i już zaimportowaliśmy za pomocą funkcji „backend ()”. Zwraca „tensorflow” jako wartość backend. Aby uzyskać wartość zmiennoprzecinkową zaplecza, wywołyliśmy funkcję floatx () za pomocą obiektu zmiennego kerasu „k”. Pokazuje, że używamy wartości float32.

Aby uzyskać format danych obrazu, użyj funkcji Image_Data_format () ze zmienną „K”. Podczas korzystania z niego pokazuje, że nasz backend był wykorzystujący format danych obrazu „kanały”. Aby uzyskać moc wykładnika dla backend, wywołać funkcję epsilon () ze zmienną „k”. Zwraca, że ​​backend będzie używał mocy wykładniczej „07”. Chodzi o pobieranie informacji o zapleczu.

Funkcja get_uid ()

Czas przyjrzeć się niektórym funkcjom backendowym TensorFlow, aby zrozumieć jego funkcjonalność. Jedna z najczęściej używanych funkcji backend „get_uid (), która jest wykorzystywana do identyfikacji domyślnego wykresu, którego używamy. Używanie go z prefiksem = "parametr zwróciłby„ 1 ”, i.mi., Zgodnie z wykorzystaniem. Ponownie, użycie go zwróci „2”, ponieważ nazywaliśmy go ponownie, a wartość wykresu została zwiększona. Po użyciu funkcji „RESET_UIDS” wartość identyfikatora użytkownika wykresu zostanie zresetowana do 0. Stąd ponownie użycie funkcji get_uid () zwiększyłoby ją o 1.

Funkcja zastępcza ()

Tensor używa funkcji placuholder () do przechowywania w niej różnych kształtów wymiarowych. Na przykład w następującej ilustracji używamy go do trzymania obrazu 3-D w tensor za pomocą zmiennej keras „k” i zapisania go na innej zmiennej „D”. Wyjście zmiennej „D” pokazuje właściwości kształtu używanego w symbolice zamawiku.

Funkcja „int_shape ()” służy do wyświetlania kształtu wartości zapisanej w symbolice zastępczej „D”.

Funkcja dot ()

Czy kiedykolwiek pomnożyłeś dwa wektory? Jeśli tak, pomnożenie dwóch tensorów nie będzie dla ciebie trudne. W tym celu biblioteka zaplecza wymyśliła funkcję „kropkową”. Po pierwsze, aby utrzymać dwa różne kształty, używaliśmy wartości kształtu w funkcji placuholder () w pierwszych 2 wierszach, aby utworzyć dwóch uchwytów „x” i „y”. Funkcja DOT () przyjmuje posiadaczy „x” i „y”, aby pomnożyć zarówno tensory i zapisywali wynik do innej zmiennej „Z”. Po użyciu tensor „Z” do drukowania wyświetlił pomnożony wynik tensorowy (1, 5) na ekranie.

One () funkcja

Funkcja modułu zaplecza znana jest z inicjalizacji wszystkich wartości określonego kształtu do 1. Na przykład używamy funkcji One () w kształcie tensora (3,3) i zapisaliśmy wynik na zmiennej „V”. Funkcja eval () jest odrzucana tutaj, aby ocenić wartość zmiennej „v” i wyświetlanie w środowisku Python. W zamian przekonwertował kształt (3,3) na matrycę tablicy wszystkich z typem danych float32.

Funkcja batch_dot ()

Partia tensora określiłaby całkowitą próbki do sortowania przed aktualizacją modelu. Funkcja Batch_DOT () backenda TensorFlow jest głównie używana do znalezienia wyniku mnożenia dwóch różnych danych wsadowych. Dlatego utworzyliśmy dwie zmienne tensorowe V1 i V2 i zastosowaliśmy funkcję wejściową (), aby zapisać je w V1 i V2 jako wejście. Następnie wypróbowaliśmy funkcję Batch_Dot () zarówno na zmiennych tensorowych, V1 i V2, a wynikowa wartość zostałaby zapisana na innej zmiennej „V3”. Po drukowaniu zmiennej V3 znaleźliśmy w zamian wynikowy kształt (2,2).

Funkcja zmienna

Jeśli kiedykolwiek pracowałeś nad dowolnym innym językiem, być może zainicjowałeś wiele zmiennych za pomocą słowa kluczowego „var” lub bez niego. Wiele razy możesz zainicjować zmienne z ich typami danych, takimi jak liczba całkowita, ciąg lub znak. W bibliotece Keras Python możemy utworzyć dowolną zmienną za pomocą funkcji zmiennej () na niektórych danych tensorowych w postaci próbek.

W poniższym obrazie utworzyliśmy zmienną „D”, dodając próbkę dwie dane listy do funkcji zmiennej () z obiektem keras „k”. Po dodaniu tej zmiennej nazywaliśmy funkcję Transpose () na tej zmiennej „D”, aby znaleźć transpozycję przykładowych danych w nim za pośrednictwem obiektu keras „k”. Powstała transpozycja zostałaby zapisana na zmienną „Val”. Drukuj języka Pythona został tutaj użyty do wydrukowania wartości „Val” wynikowej zmiennej. Instrukcja drukowania wyświetla wybór funkcji, którą zastosowaliśmy do zmiennej „D” i całkowitej liczby elementów na każdej liście.

Następnie wypróbowaliśmy funkcję „Eval” na zmiennej „VAL”, aby uzyskać transpozycję próbek dodaną do zmiennej „D”, a funkcja drukowania wyświetlała ją. Możesz zobaczyć transpozycję dwóch list na wyjściu.

Poprzednia ilustracja kodu została osiągnięta dzięki użyciu prostych funkcji Pythona bez importowania żadnej konkretnej biblioteki Python. „Transpose” dwóch zestawów danych można znaleźć za pomocą tablic Numpy. W tym celu musimy zaimportować bibliotekę Numpy jako „N” na początku. Podstawowy format jest taki sam, ale musimy zainicjować zestaw danych kształtu za pomocą słowa kluczowego „tablica” zamiast używać słowa kluczowego „zmienna”. Przykładową tablicę Numpy powinna być trzymana z powrotem do zmiennej „D”. Ten sam obiekt Numpy „N” służy do wywołania funkcji Transpose () na zmiennej „D” i zapisywaniu jej wyniku na zmiennej „Val”.

Instrukcja drukowania nazywa w nim zmienną „VAL”, aby wyświetlić tensor transpozycyjny. Możesz zobaczyć, aby wyświetlić wynikową transponowaną wartość zmiennej „VAL”, nie potrzebujemy funkcji „ocena” tutaj. Teraz użyliśmy funkcji zmiennej z argumentem „D” i zapisaliśmy wynik do zmiennej „Z”. Po wypróbowaniu instrukcji drukowania przez dodanie wartości argumentu „Z”, wyświetlił wyjście w tym samym poprzednim formacie, który wypróbowaliśmy w powyższym przykładzie zmiennej.

Is_sparse () funkcja

Słowo „rzadkie” w tensorze służy do rzadkiego tensora zawierającego wpisy z zerami. W tym przykładzie będziemy używać funkcji is_sparse () modułu backend, aby sprawdzić, czy tensor ma większość zer.

Najpierw nazywaliśmy funkcję placholder () do utrzymania kształtu tensora (3,3) wraz z argumentem rzadkim ustawionym na true. Ta wartość zastępcza byłaby utrzymywana do zmiennego „x” i wyświetlana. Wyjście wyświetla informacje dotyczące zmiennej zastępczej „x”.

Na przykład stosowane są jego typ danych, kształt i funkcja. Następnie ponownie wypróbowaliśmy instrukcję drukowania, wywołując w niej funkcję is_sparse (). Ta funkcja przyjmuje zmienną „x” jako argument, aby wyświetlić, czy tensor „x” jest rzadki, czy nie. Wyjście wyświetla „prawdziwe”.

To_dense () funkcja

Mówi się, że gęsty tensor jest tym, który wykorzystywał chronologiczny blok pamięci do przechowywania informacji w sąsiedni sposób i przedstawienia wartości informacji. Funkcja „to_dense ()” modułu zaplecza, przekonwertujmy rzadki tensor na gęsty tensor. Dlatego podejmujemy tę samą funkcję zastępczą, aby dodać tensor do zmiennej „x”, a ten tensor został ustawiony na „rzadkie”.

Funkcja „to_dense ()” jest stosowana do gęstej zmiennej tensora „x”, i.mi., Aby przekonwertować go na gęsty tensor i zapisać go na inną zmienną „RES”. Teraz „RES” jest samym tensorem. Instrukcja drukowania została odrzucona w celu wydrukowania zmiennej „RES”. Korzystanie z instrukcji drukowania dla zmiennej „RES” wyświetliło informacje dotyczące zmiennej przekonwertowanej „RES”, i.mi., pomyślnie przekonwertowany rzadko na gęsty i o wiele więcej.

Następnie wywoływana jest inna funkcja drukowania za pomocą funkcji is_sparse (), aby sprawdzić, czy zmienna „res” jest rzadka, czy nie. Wyjście pokazuje, że zmienna „RES” nie jest rzadka, i.mi., Jak przekonwertowaliśmy go na „gęsty” tensor.

Funkcja Random_Uniform_Variable ()

Funkcja Random_Uniform_Variable () w module zaplecza Keras jest specjalnie zaprojektowana do inicjalizacji tensora za pomocą jednolitego rozkładu. Wymaga w sumie trzech argumentów. Pierwszy argument „kształt” służy do zdefiniowania wierszy i kolumn kształtu w formie krotki. Jeśli zrobiłeś matematykę, mogłeś poznać koncepcję średniej i odchylenia standardowego.

W metodzie Random_Uniform_Variable () kolejne dwa argumenty są średnie i typowe odchylenie od jednolitego rozkładu. W ramach tej ilustracji zainicjowaliśmy dwa tensory „x” i „y” przy użyciu standardowego jednolitego rozkładu za pośrednictwem funkcji Random_Uniform_Variable (). Oba tensory zawierają różne formaty kształtów, i.mi., rzędy i kolumny o tej samej średniej i odchyleniu standardowym, i.mi., niski = 0 i wysoki = 1.

Następnie odrzucamy funkcję „kropkową”, biorąc w nią tensory „x” i „y” do mnożenia. Wynik tego mnożenia byłby zapisany na zmiennej „Z”. Ostatecznie int_shape () jest koniecznością do użycia do wyświetlania kształtu powstałego tensora „Z”. Wyjście pokazuje tensor (2,2).

Utils

Jeśli chcesz użyć niektórych bardzo przydatnych funkcji z koncepcji głębokiego uczenia się Pythona, musisz użyć modułu Utils w bibliotece keras w swoich skryptach. Na przykład, jeśli chcesz wyświetlić dane w formacie HDF5Matrix, musisz zaimportować klasę HDF5Matrix i użyć jej funkcji HDF5Matrix w skrypcie.

Funkcja to_categoryka ()

Ta funkcja umożliwia zmodyfikowanie wektora klasy w matrycę, i.mi., Matryca klasy binarnej. Powiedzmy, że zaimportowaliśmy funkcję TO_Categorical () z modułu Utils i zainicjowaliśmy wektor „A”. Wektor „a” został przekazany do funkcji to_categorycznej (). Wyświetlana została macierz binarna dla tego wektora klasy „A”.

Funkcja print_summary ()

Aby wydrukować podsumowanie modelu, który odrzucamy w naszym środowisku, zastosowano funkcję print_summary.

funkcja plot_model ()

Funkcja PLOT_MODEL () oznacza model w formacie kropki i pozwala zapisać go w dokumencie.

Wniosek

Podsumowując, możemy powiedzieć, że język Pythona jest niezbędnym językiem dla dzisiejszej epoki, ponieważ wszystko się szybko staje, a technologia ewoluuje tak szaleńczo szybko. W tych wytycznych dotyczących uczenia się korzystamy z biblioteki Keras Python w głębokim uczeniu się i sztucznych sieciach neuronowych. W tym celu przeszliśmy również znaczenie i wykorzystanie jej biblioteki zaplecza „TensorFlow”, aby uzyskać jasne zrozumienie. Dodatkowo omówiliśmy i wyjaśniliśmy każdą konfigurację wymaganą do skonfigurowania środowiska Keras i Anaconda w Python w Ubuntu 20.04 system operacyjny Linux. Następnie dokładnie omówiliśmy modele, warstwy i moduły kerasu wraz z najczęściej używanymi funkcjami. Aby uzyskać demonstrację modelu API funkcji, sprawdź oficjalną dokumentację.