Sisällön yleiskatsaus 
 
 
 
 
 
 
 Kenen pitäisi käyttää Keras Keras API komponentit Leijonat malleja Muut API:t ja työkalut Seuraavat askeleet on TensorFlow-alustan korkean tason API. Se tarjoaa lähestyttävän, erittäin tuottavan käyttöliittymän koneoppimisen (ML) ongelmien ratkaisemiseksi keskittyen nykyaikaiseen syvään oppimiseen. Keras kattaa koneen oppimisen työnkulun jokaisen vaiheen tietojen käsittelystä hyperparametrien säätämiseen käyttöönottoon. Keräily Kerasilla sinulla on täysi pääsy TensorFlowin skaalautumiskykyyn ja monipuolisiin mahdollisuuksiin. Voit käyttää Kerasia TPU Podissa tai suurissa GPU-ryhmissä, ja voit viedä Keras-malleja selaimeen tai mobiililaitteisiin. Voit myös palvella Keras-malleja web-API:n kautta. Keras on suunniteltu vähentämään kognitiivista kuormitusta saavuttamalla seuraavat tavoitteet: 
 
 
 
 
 
 Tarjoaa yksinkertaiset ja johdonmukaiset käyttöliittymät. Minimoi yhteisiin käyttötapauksiin tarvittavien toimintojen määrä. Tarjoa selkeät ja toimivat virheilmoitukset. Seuraa monimutkaisuuden asteittaisen paljastamisen periaatetta: Aloittaminen on helppoa, ja voit suorittaa kehittyneitä työnkulkuja oppimalla eteenpäin. Auta sinua kirjoittamaan lyhyen, luettavan koodin. Kenen pitäisi käyttää Keras Lyhyt vastaus on, että jokaisen TensorFlow-käyttäjän pitäisi käyttää Keras-API:ia oletusarvoisesti.Oletpa insinööri, tutkija tai ML-harjoittaja, sinun pitäisi aloittaa Kerasilla. On olemassa muutamia käyttötapauksia (esimerkiksi TensorFlow-työkalujen rakentaminen tai oman korkean suorituskyvyn alustan kehittäminen), jotka edellyttävät matalan tason Mutta jos käyttötapauksesi ei kuulu johonkin Sinun pitäisi mieluummin kerat. TensorFlow Core -sovellus Core API sovellukset Keras API komponentit Kerasin keskeiset datarakenteet ovat ja Kerros on yksinkertainen syöttö / ulostulo muuntaminen, ja malli on suunnattu acyylinen grafiikka (DAG) kerrosten. Leijonat malleja Leijonat Sillä luokka on perustavanlaatuinen abstraktio Kerasissa. määrittelee tilan (painot) ja jotkut laskelmat (määritelty menetelmää) tf.keras.layers.Layer Layer tf.keras.layers.Layer.call Kerroksilla luodut painot voivat olla harjoitettavia tai ei-harjoitettavia. Kerrokset ovat toistuvasti kompostoitavia: Jos määrität kerroksen instanssin toisen kerroksen ominaisuutena, ulkoinen kerros alkaa seurata sisäisen kerroksen luomia painoja. Voit myös käyttää kerroksia käsittelemään tietojen esikäsittelytehtäviä, kuten normalisointia ja tekstin vektorointia. malleja Malli on objekti, joka ryhmittelee kerrokset yhteen ja joka voidaan kouluttaa tietoihin. Yksinkertaisin malli on Monimutkaisempien arkkitehtuurien osalta voit joko käyttää Keras-funktionaalista API:ta, jonka avulla voit rakentaa kerrosten mielivaltaisia kaavioita, tai käyttää alaluokkia mallien kirjoittamiseen tyhjästä. Sequential Sillä Luokka sisältää sisäänrakennetut koulutus- ja arviointimenetelmät: tf.keras.Model 
 
 
 
 tf.keras.Model.fit: Harjoittelee mallia kiinteän aikakausien lukumäärän osalta. tf.keras.Model.predict: Luo tulosennusteita syöttönäytteille. tf.keras.Model.evaluate: Palauttaa menetys- ja metriset arvot mallille, jotka on määritetty tf.keras.Model.compile -menetelmän avulla. Nämä menetelmät antavat sinulle pääsyn seuraaviin sisäänrakennettuihin koulutusominaisuuksiin: 
 
 
 
 Callbacks. Voit hyödyntää sisäänrakennettuja callbackeja varhaiseen pysäyttämiseen, mallin tarkistamiseen ja TensorBoardin seurantaan. Voit myös toteuttaa räätälöityjä callbackeja. Voit helposti skaalata koulutuksesi useisiin GPU:ihin, TPU:ihin tai laitteisiin. Steps_per_execution-argumentilla tf.keras.Model.compile voit käsitellä useita eräitä yhdellä tf.function-puhelulla, mikä parantaa merkittävästi laitteen käyttöä TPU:issa. Yksityiskohtainen kuvaus siitä, miten sitä käytetään , katso koulutus- ja arviointikäsikirja. Jos haluat oppia mukauttamaan sisäänrakennetut koulutus- ja arviointikierrokset, katso Mukauttaminen, mitä tapahtuu . fit fit() Muut API:t ja työkalut Keras tarjoaa monia muita API-sovelluksia ja työkaluja syvään oppimiseen, mukaan lukien: 
 
 
 
 
 Optimisti Metrikoita Menetykset Data Loading -palvelut Täydellinen luettelo käytettävissä olevista API: stä, katso Jos haluat lisätietoja muista Keras-hankkeista ja aloitteista, katso . Keras API viittaus Karjalan ekosysteemi Seuraavat askeleet Jos haluat aloittaa Kerasin käytön TensorFlowilla, tutustu seuraaviin aiheisiin: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Sequentiaalinen malli Toiminnallinen API Koulutus ja arviointi sisäänrakennettujen menetelmien avulla Uusien kerrosten ja mallien luominen alaluokkien avulla Serialisointi ja säästäminen Työskentely preprocessing kerrosten kanssa Mukauttamalla mitä tapahtuu fit() Koulutuksen kirjoittaminen tyhjästä Työskentely RNN:n kanssa Ymmärrä Masking & Padding Kirjoita omat callbacks Opiskelu ja fine-tuning Multi-GPU ja hajautettu koulutus Jos haluat oppia lisää Kerasta, katso seuraavat aiheet osoitteessa : Kovaa. minä 
 
 
 
 
 
 Keran kohdalla Johdatus Kerasiin insinööreille Johdatus Kerasiin tutkijoille Keras API viittaus Karjalan ekosysteemi 
 
 Alun perin julkaistu TensorFlow-verkkosivustolla, tämä artikkeli ilmestyy täällä uuden otsikon alla ja on lisensoitu CC BY 4.0. Alun perin julkaistu TensorFlow-verkkosivustolla, tämä artikkeli ilmestyy täällä uuden otsikon alla ja on lisensoitu CC BY 4.0. TensorFlowMuokkaa TensorFlowMuokkaa

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

Tämä ääni on tuotettu tarinan alkuperäisellä kielellä!

Keras 101: Aloittelijaystävällinen opas hermoverkkojen rakentamiseen

About Author

KOMMENTIT

RIPUTA TAGSIA

TÄMÄ ARTIKKELI ESITETTIIN

Related Stories

Web 2.5: HackerNoon's Vision for a New Wave Internet

PENANCE

The #bitcoin Writing Contest by Rootstock and HackerNoon: Final Round Results🎉

Hurry! Just One Month Left to Win Up to $2,000 in the #blockchain Writing Contest

Web 2.5: HackerNoon's Vision for a New Wave Internet

PENANCE

The #bitcoin Writing Contest by Rootstock and HackerNoon: Final Round Results🎉

Hurry! Just One Month Left to Win Up to $2,000 in the #blockchain Writing Contest

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps