Contingut general 
 
 
 
 
 
 
 Qui ha d'utilitzar Keras Components de les flames Layers Models Altres APIs i eines Els següents passos és l'API d'alt nivell de la plataforma TensorFlow. proporciona una interfície accessible i altament productiva per resoldre problemes d'aprenentatge automàtic (ML), amb un enfocament en l'aprenentatge profund modern. Keras cobreix cada pas del flux de treball de l'aprenentatge automàtic, des del processament de dades fins a l'ajust d'hiperparàmetres fins a la implementació. Cerdanyola Amb Keras, tens accés complet a l'escalabilitat i les capacitats transversals de TensorFlow. Pots executar Keras en un TPU Pod o grans grups de GPU, i pots exportar models de Keras per executar-los en el navegador o en dispositius mòbils. També pots servir models de Keras a través d'una API web. Keras està dissenyat per reduir la càrrega cognitiva aconseguint els següents objectius: 
 
 
 
 
 
 Ofereix interfícies simples i coherents. Minimitzar el nombre d'accions necessàries per a casos d'ús comú. Proporcionar missatges d'error clars i actuables. Seguiu el principi de divulgació progressiva de la complexitat: és fàcil començar i podeu completar fluxos de treball avançats aprenent a mesura que avanciu. T’ajudem a escriure un codi clar i comprensible. Qui ha d'utilitzar Keras La resposta curta és que cada usuari de TensorFlow hauria d'utilitzar les API de Keras per defecte.Ja sigui un enginyer, un investigador o un practicant de ML, heu de començar amb Keras. Hi ha alguns casos d'ús (per exemple, la construcció d'eines sobre TensorFlow o el desenvolupament de la seva pròpia plataforma d'alt rendiment) que requereixen el nivell baix Però si el seu cas d'ús no cau en una de les Vostè hauria de preferir Keras. Aplicació TensorFlow Core Aplicacions API Components de les flames Les estructures de dades de Keras són i Una capa és una simple transformació d'entrada/sortida, i un model és un gràfic acíclic dirigit (DAG) de les capes. Llàgrimes Models Layers El classe és l'abstracció fonamental en Keras. encapsula un estat (peses) i alguns càlculs (definits en el El mètode) tf.keras.layers.Layer Layer tf.keras.layers.Layer.call Els pesos creats per les capes poden ser entrenables o no entrenables. Les capes són compostables recursivament: si assigna una instància de la capa com un atribut d'una altra capa, la capa exterior començarà a rastrejar els pesos creats per la capa interna. També es poden utilitzar capes per gestionar tasques de preprocessament de dades com la normalització i la vectorització de text. Les capes de preprocessament es poden incloure directament en un model, durant o després de l'entrenament, fet que fa que el model sigui portàtil. Models Un model és un objecte que agrupa capes junts i que es pot entrenar sobre dades. El model més senzill és el Per a arquitectures més complexes, podeu utilitzar l'API funcional Keras, que us permet construir gràfics arbitràries de capes, o utilitzar subclassificació per escriure models des de zero. Sequential El La classe disposa de mètodes de formació i avaluació integrats: tf.keras.Model 
 
 
 
 tf.keras.Model.fit: Treina el model per a un nombre fix d'èpoques. tf.keras.Model.predict: genera prediccions de sortida per a les mostres d'entrada. tf.keras.Model.evaluate: Retorna els valors de pèrdua i mètrica del model; configurat mitjançant el mètode tf.keras.Model.compile. Aquests mètodes li donen accés a les següents característiques de formació integrades: 
 
 
 
 Callbacks. Podeu aprofitar els callbacks integrats per a l'aturada precoç, el control del model i el seguiment de TensorBoard. Podeu escalar fàcilment la vostra formació a múltiples GPU, TPU o dispositius. Amb l'argument steps_per_execution a tf.keras.Model.compile, podeu processar diversos lots en una sola trucada tf.function, la qual cosa millora considerablement l'ús del dispositiu en TPU. Per a una visió detallada de com utilitzar , vegeu la guia de formació i avaluació.Per aprendre a personalitzar els bucs de formació i avaluació incorporats, vegeu personalitzar el que passa en . fit fit() Altres APIs i eines Keras proporciona moltes altres APIs i eines per a l'aprenentatge profund, incloent: 
 
 
 
 
 Optimistes Mètriques pèrdues Dades de càrrega utilitzades Per a una llista completa de les APIs disponibles, vegeu el Per saber més sobre altres projectes i iniciatives de Keras, vegeu . Curs de referència API L'ecosistema de Keras Els següents passos Per començar a utilitzar Keras amb TensorFlow, consulteu els següents temes: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 El model seqüencial La funció API Formació i avaluació amb els mètodes incorporats Creació de noves capes i models a través de subclassificació Serialització i estalvi Treballant amb les capes de preprocessament Personalitzar el que passa en fit() Escriure un curs de formació des de zero Treballar amb RNNs Comprensió Masking & Padding Escrivint els teus propis callbacks Aprenentatge i Fine-Tuning Multi-GPU i formació distribuïda Per saber més sobre Keras, vegeu els següents temes a : Tàrrega.io 
 
 
 
 
 
 A prop de Keras Introducció a Keras per a enginyers Introducció a Keras per a investigadors Curs de referència API L'ecosistema de Keras 
 
 Originalment publicat al lloc web de TensorFlow, aquest article apareix aquí sota un nou títol i està llicenciat sota CC BY 4.0. Originalment publicat al lloc web de TensorFlow, aquest article apareix aquí sota un nou títol i està llicenciat sota CC BY 4.0. TensorFlow TensorFlow

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Aquest àudio és produït a l'idioma original de la història!

Keras 101: una guia amigable per a principiants per construir xarxes neuronals

About Author

COMENTARIS

Etiquetes penjant

AQUEST ARTICLE VA SER PRESENTAT A

Related Stories

Startups of The Year: Meet the Business Industry

Startups of The Year: Meet the Emerging Tech Industry

Startups of The Year: Meet the Cybersecurity Industry

Startups of The Year: Meet the Engineering Industry

Startups of The Year: Meet the Business Industry

Startups of The Year: Meet the Emerging Tech Industry

Startups of The Year: Meet the Cybersecurity Industry

Startups of The Year: Meet the Engineering Industry

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps