Sadržaj Pregled 
 
 
 
 
 
 
 Tko bi trebao koristiti Keras Keras API komponente Layers Modeli Ostali APIs i alati Sljedeći koraci je API na visokoj razini platforme TensorFlow. pruža pristupačan, visoko produktivan sučelje za rješavanje problema strojnog učenja (ML), s naglaskom na suvremenom dubokom učenju. Keras pokriva svaki korak toka rada strojnog učenja, od obrade podataka do prilagodbe hiperparametra do implementacije. Keras Uz Keras, imate pun pristup skalabilnosti i prekograničnim mogućnostima TensorFlow-a. Možete pokrenuti Keras na TPU Podu ili velikim skupovima GPU-a, a možete izvoziti Keras modele za pokretanje u pregledniku ili na mobilnim uređajima. Keras je dizajniran za smanjenje kognitivnog opterećenja postizanjem sljedećih ciljeva: 
 
 
 
 
 
 Nudi jednostavne, dosljedne sučelje. Minimizirajte broj akcija potrebnih za zajedničke slučajeve korištenja. Pružajte jasne, djelotvorne poruke o pogreškama. Slijedite načelo progresivnog otkrivanja složenosti: lako je započeti, a napredne tokove rada možete dovršiti učenjem kako idete. Pomoć u pisanju kratkog, čitljivog koda. Tko bi trebao koristiti Keras Kratki odgovor je da svaki TensorFlow korisnik treba koristiti Keras API-je podrazumijeva.Bilo da ste inženjer, istraživač ili ML praktičar, trebali biste početi s Keras. Postoji nekoliko slučajeva korištenja (na primjer, izgradnja alata na vrhu TensorFlowa ili razvoj vlastite platforme visokih performansi) koje zahtijevaju nizak stupanj Ali ako vaš slučaj korištenja ne spada u jednu od Trebali biste preferirati Keras. TensorFlow Core API-ji Aplikacije API Keras API komponente Glavne podatkovne strukture tvrtke Keras su i Vrsta je jednostavna ulazna/izlazna transformacija, a model je usmjeren aciklički graf (DAG) slojeva. Lakovi Modeli Layers Naš Klasa je temeljna abstrakcija u Kerasu. Uključuje stanje (težine) i neke izračune (definirane u Način djelovanja). tf.keras.layers.Layer Layer tf.keras.layers.Layer.call Razine su recursivno kompozibilne: Ako dodijelite primjerak sloja kao atribut drugog sloja, vanjski sloj će početi pratiti težine koje je stvorio unutarnji sloj. Također možete koristiti slojeve za rukovanje zadatcima pretprerađivanja podataka kao što su normaliziranje i vektorizacija teksta. Modeli Model je objekt koji grupira slojeve zajedno i koji se može obučiti na podacima. Najjednostavniji model je Za složenije arhitekture, možete koristiti Keras funkcionalni API, koji vam omogućuje izgradnju proizvoljnih grafikona slojeva, ili koristiti podklasifikaciju za pisanje modela od nule. Sequential Naš Razred sadrži ugrađene metode osposobljavanja i evaluacije: tf.keras.Model 
 
 
 
 Model.fit: Obavlja model za određeni broj epoha. tf.keras.Model.predict: Generira predviđanja izlaza za ulazne uzorke. tf.keras.Model.evaluate: Vraća vrijednosti gubitka i metrike za model; konfigurirano pomoću metode tf.keras.Model.compile. Ove metode daju vam pristup sljedećim ugrađenim funkcijama osposobljavanja: 
 
 
 
 Možete iskoristiti ugrađene povratne pozive za rano zaustavljanje, kontrolu modela i praćenje TensorBoard. Možete lako proširiti svoje osposobljavanje na više GPU-a, TPU-a ili uređaja. S argumentom steps_per_execution u tf.keras.Model.compile, možete obrađivati više serija u jednom pozivu funkcije tf.function, što značajno poboljšava iskorištavanje uređaja na TPU-ima. Za detaljan pregled kako koristiti , pogledajte vodič za osposobljavanje i evaluaciju. Da biste saznali kako prilagoditi ugrađene krugove za osposobljavanje i evaluaciju, pogledajte Prilagođavanje onoga što se događa u . fit fit() Ostali APIs i alati Keras pruža mnoge druge API-je i alate za duboko učenje, uključujući: 
 
 
 
 
 Optimisti Metrika gubitak Data Loading Utilities Podaci Za cjelovit popis dostupnih API-ja, pogledajte Za više informacija o drugim Keras projektima i inicijativama, pogledajte . Keras API referencija Keras ekosustava Sljedeći koraci Da biste počeli koristiti Keras s TensorFlowom, pogledajte sljedeće teme: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Sekvencijski model Funkcionalni API Obuka i evaluacija s ugrađenim metodama Stvaranje novih slojeva i modela putem podklasificiranja Serija i štednja Rad s preprocesorskim slojevima Prilagoditi ono što se događa u fit() Napisivanje vježbanja od nule Rad s RNN-om Razumijevanje masking & padding Pisanje vlastitih poziva Učenje i fine-tuning Multi-GPU i distribuirano osposobljavanje Da biste saznali više o Keras, pogledajte sljedeće teme na : Čvrstoću.io 
 
 
 
 
 
 Što je Keras Uvod u Keras za inženjere Uvod u Keras za istraživače Keras API referencija Keras ekosustava 
 
 Prvotno objavljen na web stranici TensorFlow, ovaj članak se ovdje pojavljuje pod novim naslovom i licenciran je pod CC BY 4.0. Prvotno objavljen na web stranici TensorFlow, ovaj članak se ovdje pojavljuje pod novim naslovom i licenciran je pod 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.

Ovaj zvuk je proizveden na izvornom jeziku priče!

Keras 101: Vodič za početnike za izgradnju neuronskih mreža

About Author

KOMENTARI

VIJESI OZNAKE

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps