Keras
[Pages:19]keras
#keras
Inhaltsverzeichnis
?ber
1
Kapitel 1: Erste Schritte mit Keras
2
Bemerkungen
2
Examples
2
Installation und Einrichtung
2
Installation
3
Aufbau
3
Wechsel von TensorFlow zu Theano
4
Erste Schritte mit Keras: 30 Sekunden
4
Kapitel 2: Benutzerdefinierte Verlustfunktion und Metriken in Keras
6
Einf?hrung
6
Bemerkungen
6
Examples
6
Euklidischer Distanzverlust
6
Kapitel 3: Erstellen Sie ein einfaches sequentielles Modell
7
Einf?hrung
7
Examples
7
Einfaches Mehrschicht-Perzeptron mit sequentiellen Modellen
7
Kapitel 4: Klassifizierung raumzeitlicher Eingaben mit CNNs, RNNs und MLPs
8
Einf?hrung
8
Bemerkungen
8
Examples
8
VGG-16 CNN und LSTM f?r die Videoklassifizierung
8
Kapitel 5: ?bertragen Sie Lernen und Feinabstimmung mit Keras
10
Einf?hrung
10
Examples
10
?bertragen Sie das Lernen mit Keras und VGG
10
Laden von vorab trainierten Gewichten
10
Erstellen Sie ein neues Netzwerk mit untersten Schichten aus VGG
11
Entfernen Sie mehrere Ebenen und f?gen Sie eine neue in die Mitte ein
11
Kapitel 6: Umgang mit gro?en Trainingsdatenmengen mit Keras fit_generator, Python-Generato13
Einf?hrung
13
Bemerkungen
13
Examples
13
Ein Modell trainieren, um Videos zu klassifizieren
13
Credits
16
?ber
You can share this PDF with anyone you feel could benefit from it, downloaded the latest version from: keras
It is an unofficial and free keras ebook created for educational purposes. All the content is extracted from Stack Overflow Documentation, which is written by many hardworking individuals at Stack Overflow. It is neither affiliated with Stack Overflow nor official keras.
The content is released under Creative Commons BY-SA, and the list of contributors to each chapter are provided in the credits section at the end of this book. Images may be copyright of their respective owners unless otherwise specified. All trademarks and registered trademarks are the property of their respective company owners.
Use the content presented in this book at your own risk; it is not guaranteed to be correct nor accurate, please send your feedback and corrections to info@
1
Kapitel 1: Erste Schritte mit Keras
Bemerkungen
Leitsatz s
? Modularit?t
Unter einem Modell wird eine Sequenz oder ein Diagramm von eigenst?ndigen, vollst?ndig konfigurierbaren Modulen verstanden, die mit m?glichst geringen Einschr?nkungen zusammengesteckt werden k?nnen. Insbesondere sind neuronale Schichten, Kostenfunktionen, Optimierer, Initialisierungsschemata, Aktivierungsfunktionen und Regularisierungsschemata allesamt eigenst?ndige Module, die Sie kombinieren k?nnen, um neue Modelle zu erstellen.
? Minimalismus
Jedes Modul sollte kurz und einfach gehalten werden. Jeder Code sollte beim ersten Lesen transparent sein. Keine schwarze Magie: Es schadet der Iterationsgeschwindigkeit und der Innovationsf?higkeit.
? Einfache Erweiterbarkeit
Neue Module lassen sich einfach hinzuf?gen (als neue Klassen und Funktionen), und vorhandene Module bieten zahlreiche Beispiele. Die einfache Erstellung neuer Module erm?glicht eine umfassende Ausdrucksf?higkeit, wodurch Keras f?r fortgeschrittene Forschung geeignet ist.
? Arbeit mit Python
Keine separaten Modellkonfigurationsdateien in einem deklarativen Format. Modelle werden in Python-Code beschrieben, der kompakt ist, einfacher zu debuggen ist und eine einfache Erweiterbarkeit erm?glicht.
Examples
Installation und Einrichtung
Keras ist eine High-Level-Bibliothek f?r neuronale Netzwerke, die in Python geschrieben wurde und auf TensorFlow oder Theano ausgef?hrt werden kann. Es wurde mit dem Ziel entwickelt, schnelles Experimentieren zu erm?glichen. In der Lage zu sein, mit m?glichst geringer Verz?gerung von der Idee zum Ergebnis zu gelangen, ist der Schl?ssel f?r eine gute Forschung. Verwenden Sie Keras, wenn Sie eine tiefe Lernbibliothek ben?tigen, die:
? Erm?glicht einfaches und schnelles Prototyping (durch vollst?ndige Modularit?t, Minimalismus und Erweiterbarkeit).
? Unterst?tzt sowohl Faltungsnetzwerke als auch wiederkehrende Netzwerke sowie Kombinationen aus beiden.
2
? Unterst?tzt beliebige Konnektivit?tsschemata (einschlie?lich Multi-Input- und Multi-OutputTraining).
? L?uft nahtlos auf CPU und GPU.
Installation
Keras verwendet die folgenden Abh?ngigkeiten:
? neugierig, scipy ? Pyyaml ? HDF5 und h5py (optional, erforderlich, wenn Sie Modellspeicher- / Ladefunktionen
verwenden) ? Optional, wird jedoch empfohlen, wenn Sie CNNs verwenden: cuDNN ? Scikit-Image (optional, erforderlich, wenn Sie die eingebauten Funktionen von Keras f?r die
Vorverarbeitung und Erweiterung von Bilddaten verwenden)
Keras ist eine High-Level-Bibliothek, die neben anderen Low-Level-Bibliotheken f?r die Tensorverarbeitung und -manipulation eine praktische Machine Learning-API bietet, die als Backends bezeichnet wird . Zurzeit kann Keras zus?tzlich zu den drei verf?gbaren Backends verwendet werden: TensorFlow , Theano und CNTK .
Theano wird automatisch installiert, wenn Sie Keras mit pip installieren. Wenn Sie Theano manuell installieren m?chten, lesen Sie bitte die Theano- Installationsanweisungen.
TensorFlow ist eine empfohlene Option, und Keras verwendet standardm??ig das TensorFlowBackend, sofern verf?gbar. Die Installation von TensorFlow ist am einfachsten
$ pip install tensorflow
Wenn Sie es manuell installieren m?chten, lesen Sie die TensorFlow- Installationsanweisungen.
Um Keras zu installieren, cd in den Keras- Ordner und f?hren Sie den Installationsbefehl aus:
$ python setup.py install
Sie k?nnen Keras auch von PyPI installieren:
$ pip install keras
Aufbau
Wenn Sie Keras mindestens einmal ausgef?hrt haben, finden Sie die Keras-Konfigurationsdatei unter:
3
~/.keras/keras.json
Wenn es nicht vorhanden ist, k?nnen Sie es erstellen. Die Standardkonfigurationsdatei sieht folgenderma?en aus:
{ "image_dim_ordering": "tf", "epsilon": 1e-07, "floatx": "float32", "backend": "tensorflow"
}
Wechsel von TensorFlow zu Theano
Standardm??ig verwendet Keras TensorFlow als Tensor-Manipulationsbibliothek. Wenn Sie ein anderes Backend verwenden m?chten, ?ndern Sie einfach das Feld-Backend in "theano" oder "tensorflow" , und Keras verwendet die neue Konfiguration, wenn Sie Keras-Code ausf?hren.
Erste Schritte mit Keras: 30 Sekunden
Die Kerndatenstruktur von Keras ist ein Modell , eine M?glichkeit, Ebenen zu organisieren. Der Hauptmodelltyp ist das sequentielle Modell, ein linearer Stapel von Schichten. F?r komplexere Architekturen sollten Sie die funktionale Keras-API verwenden .
Hier ist das sequentielle Modell:
from keras.models import Sequential
model = Sequential()
Das Stapeln von Ebenen ist so einfach wie .add() :
from keras.layers import Dense, Activation
model.add(Dense(output_dim=64, input_dim=100)) model.add(Activation("relu")) model.add(Dense(output_dim=10)) model.add(Activation("softmax"))
Wenn Ihr Modell gut aussieht, konfigurieren Sie seinen Lernprozess mit .compile() :
pile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
Bei Bedarf k?nnen Sie Ihren Optimierer weiter konfigurieren. Ein Kernprinzip von Keras besteht darin, die Dinge einigerma?en einfach zu gestalten, w?hrend der Benutzer jederzeit die volle Kontrolle hat (die ultimative Kontrolle ist die einfache Erweiterbarkeit des Quellcodes).
from keras.optimizers import SGD pile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9,
4
nesterov=True))
Sie k?nnen nun Ihre Trainingsdaten in Batches durchlaufen:
model.fit(X_train, Y_train, nb_epoch=5, batch_size=32)
Alternativ k?nnen Sie Ihrem Modell manuell Chargen zuf?hren:
model.train_on_batch(X_batch, Y_batch)
Bewerten Sie Ihre Leistung in einer Zeile:
loss_and_metrics = model.evaluate(X_test, Y_test, batch_size=32)
Oder generieren Sie Vorhersagen f?r neue Daten:
classes = model.predict_classes(X_test, batch_size=32) proba = model.predict_proba(X_test, batch_size=32)
Ein Fragebeantwortungssystem, ein Bildklassifizierungsmodell, eine Neural Turing Machine, ein word2vec Embedder oder ein anderes Modell ist genauso schnell. Die Grundideen f?r tiefes Lernen sind einfach. Warum sollte ihre Umsetzung schmerzhaft sein? Sie finden fortgeschrittenere Modelle: Fragen beantworten mit Speichernetzwerken, Textgenerierung mit gestapelten LSTMs usw. in Beispielordnern . Erste Schritte mit Keras online lesen:
5
................
................
In order to avoid copyright disputes, this page is only a partial summary.
To fulfill the demand for quickly locating and searching documents.
It is intelligent file search solution for home and business.
Related download
- getting started with x cube ai expansion package for
- data brief x cube ai artificial intelligence ai
- convolutional neural networks github pages
- building powerful image classification models using very
- recurrent neural networks long short termed memory
- diktya documentation
- deepregression fitting deep distributional regression
- deep learning with keras cheat sheet
- o que iremos discutir
- deep learning by example on biowulf