რა ინსტრუმენტები შეგიძლიათ გამოიყენოთ Keras მოდელები? ფსიქიკური კლიცია, რომ "კამერა ღირს ათასობით სიტყვა", შეიძლება იყოს კიდევ უფრო ნამდვილი, როდესაც მუშაობს კომპლექსური მანქანული სასწავლო მოდელები. თუ თქვენ არ ხართ ბედნიერი ფოტოური მეხსიერება, თქვენ შეიძლება სწრაფად დაკარგოთ მოდელი არქიტექტურა, როდესაც უბრალოდ წაიკითხოთ კოდი. ბედნიერი, არსებობს ზოგიერთი მარტივი გზა ვიზუალური მანქანა სასწავლო მოდელები. ამ მიმოხილვა განკუთვნილია ვიზუალური Keras მოდელები და იგი გამოიყენებს შემდეგი მოდელი ( "test მოდელი") ნიმუში: def build_model(pad_len, imu_dim, tof_dim, n_classes):
   def time_sum(x):
      return K.sum(x, axis=1)

   def squeeze_last_axis(x):
      return tf.squeeze(x, axis=-1)

   def expand_last_axis(x):
      return tf.expand_dims(x, axis=-1)    
    
   filters_l1 = 64
   kernel_l1 = 3
   filters_l2 = 128
   kernel_l2 = 5
   reduction = 8
   pool_size = 2
   drop = 0.3
   wd = 1e-4
    
   inp = Input(shape=(pad_len, imu_dim + tof_dim))
   imu = Lambda(lambda t: t[:, :, :imu_dim])(inp)
   tof = Lambda(lambda t: t[:, :, imu_dim:])(inp)

   # First CNN branch
   shortcut_1 = imu
   x1 = Conv1D(filters_l1, kernel_l1, padding="same", use_bias=False, kernel_regularizer=l2(wd))(imu)
   x1 = BatchNormalization()(x1)
   x1 = Activation("relu")(x1)
   x1 = Conv1D(filters_l1, kernel_l1, padding="same", use_bias=False, kernel_regularizer=l2(wd))(x1)
   x1 = BatchNormalization()(x1)
   x1 = Activation("relu")(x1)

   ch = x1.shape[-1]
   se = GlobalAveragePooling1D()(x1)
   se = Dense(ch//reduction, activation="relu")(se)
   se = Dense(ch, activation="sigmoid")(se)
   se = Reshape((1, ch))(se)
   x1 = Multiply()([x1, se])

   if shortcut_1.shape[-1] != filters_l1:
      shortcut_1 = Conv1D(filters_l1, 1, padding="same", use_bias=False, kernel_regularizer=l2(wd))(shortcut_1)
      shortcut_1 = BatchNormalization()(shortcut_1)
    
   x1 = add([x1, shortcut_1])
   x1 = Activation("relu")(x1)
   x1 = MaxPooling1D(pool_size)(x1)
   x1 = Dropout(drop)(x1)

   shortcut_2 = x1
   x1 = Conv1D(filters_l2, kernel_l2, padding="same", use_bias=False, kernel_regularizer=l2(wd))(x1)
   x1 = BatchNormalization()(x1)
   x1 = Activation("relu")(x1)
   x1 = Conv1D(filters_l2, kernel_l2, padding="same", use_bias=False, kernel_regularizer=l2(wd))(x1)
   x1 = BatchNormalization()(x1)
   x1 = Activation("relu")(x1)

   ch = x1.shape[-1]
   se = GlobalAveragePooling1D()(x1)
   se = Dense(ch//reduction, activation="relu")(se)
   se = Dense(ch, activation="sigmoid")(se)
   se = Reshape((1, ch))(se)
   x1 = Multiply()([x1, se])

   if shortcut_2.shape[-1] != filters_l2:
      shortcut_2 = Conv1D(filters_l2, 1, padding="same", use_bias=False, kernel_regularizer=l2(wd))(shortcut_2)
      shortcut_2 = BatchNormalization()(shortcut_2)

   x1 = add([x1, shortcut_2])
   x1 = Activation("relu")(x1)
   x1 = MaxPooling1D(pool_size)(x1)
   x1 = Dropout(drop)(x1)
    
   # Second CNN branch
   x2 = Conv1D(filters_l1, kernel_l1, padding="same", use_bias=False, kernel_regularizer=l2(wd))(tof)
   x2 = BatchNormalization()(x2)
   x2 = Activation("relu")(x2)
   x2 = MaxPooling1D(2)(x2)
   x2 = Dropout(0.2)(x2)
   x2 = Conv1D(filters_l2, kernel_l1, padding="same", use_bias=False, kernel_regularizer=l2(wd))(x2)
   x2 = BatchNormalization()(x2)
   x2 = Activation("relu")(x2)
   x2 = MaxPooling1D(2)(x2)
   x2 = Dropout(0.2)(x2)    

   merged = Concatenate()([x1, x2])

   xa = Bidirectional(LSTM(128, return_sequences=True, kernel_regularizer=l2(wd)))(merged)
   xb = Bidirectional(GRU(128, return_sequences=True, kernel_regularizer=l2(wd)))(merged)
   xc = GaussianNoise(0.09)(merged)
   xc = Dense(16, activation="elu")(xc)

   x = Concatenate()([xa, xb, xc])
   x = Dropout(0.4)(x)
   score = Dense(1, activation="tanh")(x)
   score = Lambda(squeeze_last_axis)(score)
   weights = Activation("softmax")(score)
   weights = Lambda(expand_last_axis)(weights)
   context = Multiply()([x, weights])
   x = Lambda(time_sum)(context)

   x = Dense(256, use_bias=False, kernel_regularizer=l2(wd))(x)
   x = BatchNormalization()(x)
   x = Activation("relu")(x)
   x = Dropout(0.5)(x)

   x = Dense(128, use_bias=False, kernel_regularizer=l2(wd))(x)
   x = BatchNormalization()(x)
   x = Activation("relu")(x)
   x = Dropout(0.3)(x)

   out = Dense(n_classes, activation="softmax", kernel_regularizer=l2(wd))(x)
   return Model(inp, out)
 როგორც ხედავთ, ზედაპირზე მოდელი საკმაოდ მოკლეა. იგი გამოიყენება intertial შეზღუდვის ერთეული ("IMU") და სხვა სენსორული მონაცემების მოდულების სასწავლოთვის. გაითვალისწინოთ, მე არ შეიქმნა. ეს ეფუძნება ამ როგორც თქვენ შეამოწმოთ, მოდელი განახლება საწყისი ჩანაწერში გამოიყენებს საბაჟო ობიექტები შეფუთვა გარკვეული ლოგიკა, რომელიც განახლება მოდელი დიზაინი. მე აირჩიეთ, რომ ამოიღონ ეს ობიექტები და explicity განახლება ლოგიკა "inline", რათა უკეთესი ნახვა სრული სტრუქტურა მოდელი ჩემი მინიმუმ განახლება განახლება. Go მთავარი Notebook ეს მიმოხილვა შემდეგი 3 ვიზუალიზაციის ინსტრუმენტები: 
 
 
 
 
 
 Netron 
 
 The   Python package visualkeras 
 
 TensorBoard 1. გამოყენება Netron ვიზუალური თქვენი Keras მოდელი ეს არის მარტივი ვიზუალიზაციის ინსტრუმენტი ხელმისაწვდომია. თქვენ უბრალოდ უნდა დააჭირეთ მთავარი გვერდზე და შემდეგ აირჩიეთ მოდელი, რომელიც გსურთ ვიზუალაცია. აქ არის ვიზუალაცია პირველი რამდენიმე ფართობი ტესტი მოდელი: NETRON Open Model... მას შემდეგ, რაც მოდელი დატვირთულია, შეგიძლიათ დააჭირეთ ნომრები მოდელი გრაფიკში, რათა იხილოთ მათი თვისებები: თქვენ შეგიძლიათ ატვირთოთ მოდელი გრაფიკი in და ფორმირება დააწკაპუნეთ ძირითადი MENU იკონია და აირჩიეთ შესაბამისი ექსპორტის ვარიანტი. .png .svg 2. გამოყენება იმიტომ, რომ თქვენი Keras მოდელი ვიზუალური ვიზუალური ეს Python პაკეტი ასევე ძალიან ადვილად გამოიყენება და გთავაზობთ მოსახერხებელი გზა მოდელის ვიზუალიზაციის წინასწარ სასწავლო. თქვენ შეგიძლიათ დააყენოთ პაკეტი თქვენი მანქანა სასწავლო პროექტი გამოყენებით : visualkeras pip pip install visualkeras
 შემდეგი Python კოდი აჩვენებს პაკეტი ძირითადი გამოყენება: # [Imports for your Keras model here...]
import visualkeras

# [Utility function to build your Keras model...]
def build_model(model_params):
   # [Your model definition here...]

# [Build the model...]
model = build_model(model_params)

# [Visualize the model...]
visualkeras.graph_view(model).show()
 ეს Method წარმოადგენს შემდეგი გრაფიკა პირველი რამდენიმე ფართობი ტესტი მოდელი: graph_view პროგრამა ასევე გთავაზობთ a მეთოდი, რომელიც აწარმოებს გრაფიკული მოდელი ფართები განსხვავებული ტიპი და ზომა: layered_view visualkeras.layered_view(model, legend=True).show()
 როგორც წაიკითხა, წაიკითხა 2 ს Parameter აწარმოებს legends, რომელიც აღწერილი თითოეული layer: True legend ერთი უპირატესობა The პაკეტი არის კონტროლი, რომელიც გთავაზობთ გრაფიკების ჩვენება. თქვენ შეგიძლიათ შეამოწმოთ პარამეტრები, რომლებიც გამოიყენება გრაფიკული გადაცემის შეცვლისთვის გვერდზე visualkeras Package დოკუმენტაცია 3. გამოყენება იმიტომ, რომ Keras მოდელი TensorBoard TensorBoard არის მოსახერხებელი ვარიანტი Keras მოდელის ვიზუალიზაციისთვის, რადგან იგი დააყენა ერთად მასშტაბით, როგორც წესი, ეს შეიძლება გამოიყენოს მოდელის სტრუქტურების ვიზიტიზაციისთვის მომზადების წინ. TensorBoard TensorFlow TensorBoard 3.1 ინსტალაცია პაკეტი jupyter-tensorboard ამ ნაწილში გამოიყენება კონტაქტი A ეს მოითხოვს ინსტალაცია პაკეტი, რომელიც, როგორც წესი, აქვს რამდენიმე დამოკიდებულებები. გამოიყენეთ შემდეგი ნაბიჯები დააყენოთ : TensorBoard Jupyter notebook jupyter-tensorboard jupyter-tensorboard 
 
 
 
 
 
 Install the   package using  . jupyter pip install jupyer 
 
 Use the   command to   the   package which was installed with the   package installation process. The version of the   package installed with   which is   as of this writing is not compatible with  . This downgrade step installs a version of the   package that is compatible with  . See this   for more information. pip install --upgrade notebook==6.4.12 downgrade notebook jupyter notebook jupyter 7.4.5 jupyter-tensorboard notebook jupyter-tensorboard StackOverflow article 
 
 Install the   package using  . jupyter-tensorboard pip install jupyter-tensorboard 3.2 Jupyter Notebook შექმნა თქვენი Keras მოდელი ვიზუალური როგორც აღწერილი, თქვენ შეგიძლიათ იმიტომ, რომ Keras მოდელი შემდეგი Jupyter ბეჭედი კოდი აჩვენებს, თუ როგორ უნდა გააკეთოთ, გამოყენებით ტესტი მოდელი საწყისი ნაწილში: TensorBoard # Cell 1: Imports
import tensorflow as tf
from tensorflow.keras.models import Model, load_model
from tensorflow.keras.layers import (
   Input, Conv1D, BatchNormalization, Activation, add, MaxPooling1D, Dropout,
   Bidirectional, LSTM, GlobalAveragePooling1D, Dense, Multiply, Reshape,
   Lambda, Concatenate, GRU, GaussianNoise
)
from tensorflow.keras.regularizers import l2
from tensorflow.keras import backend as K

# Cell 2: Set logs directory
LOG_DIR = "logs"

# Cell 3: Utility function to build model
# [`build-model` function for test model from introductory section here...]

# Cell 4: Build the model
model = build_model(398, 12, 335, 18)

# Cell 5: Compile the model
model.compile(optimizer="adam", loss="categorical_crossentropy", metrics=["accuracy"])

# Cell 6: Create a TensorBoard callback
tensorboard_callback = tf.keras.callbacks.TensorBoard(
   log_dir=LOG_DIR,
   histogram_freq=1,
   write_graph=True,
   profile_batch=0 # Disable profiling
)

# Cell 7: Create dummy `x` and `y` training inputs that match model input and output shapes
dummy_x_input = tf.random.normal((1, 398, 347)) # Batch size 1, input shape (398,347)
dummy_y_input = tf.random.normal((1, 18)) # Batch size 1, input shape (18, )

# Cell 8: "Train" the model for zero epochs to create a conceptual graph of the model
model.fit(dummy_x_input, dummy_y_input, epochs=0, batch_size=1, callbacks=[tensorboard_callback])

# Cell 9: Load the TensorBoard notebook extension
%load_ext tensorboard

# Cell 10: Launch TensorBoard
%tensorboard --logdir $LOG_DIR --host localhost
 If you run the Jupyter notebook code above, ბოლო კლიმა უნდა გამოცემა მას შემდეგ, რაც ცილის შესრულება დასრულდა, შეგიძლიათ Navigate to იმისათვის, რომ ნახოთ Dashboard არ არის. Launching TensorBoard http://localhost:6006 TensorBoard 
 
 თქვენ შეგიძლიათ შეცვალოთ TensorBoard პორტი, გაგზავნის - პორტი ვარიანტი %tensorboard magic command, მაგალითად, %tensorboard --logdir $LOG_DIR --host localhost --port 8088. თქვენ შეგიძლიათ შეცვალოთ TensorBoard პორტზე, რათა შეუზღუდავი შეთავაზება The Magical Command, ა.შ. . --port %tensorboard %tensorboard --logdir $LOG_DIR --host localhost --port 8088 
 
 რჩევები: მე იყენებ Windows 10, სადაც მე შეამოწმოთ ზოგიერთი სასიამოვნო ქცევა დაკავშირებით TensorBoard. იმისათვის, რომ TensorBoard დაიწყოს სწორი ყოველდღიურად, როდესაც მე იყენებ Jupyter notebook, მე უნდა პირველი გაქირავოთ ყველა დროული ფაილი C:\Users\[MY_WINDOWS_USERNAME]\AppData\Local\Temp\.tensorboard-info დირექტორიის. მე მუშაობს Windows 10, სადაც მე შეამოწმოთ ზოგიერთი სასიამოვნო ქცევა დაკავშირებით TensorBoard. იმისათვის, რომ TensorBoard დაიწყოს სწრაფად ყოველდღიურად, როდესაც მე იყენებ Jupyter ბეჭედი, მე უნდა დაიწყოს ყველა დროული ფაილი დირექტორი Tip: C:\Users\[MY_WINDOWS_USERNAME]\AppData\Local\Temp\.tensorboard-info 3.3 ვიზუალური თქვენი Keras მოდელი TensorBoard TensorBoard უნდა ავტომატურად გახდეს Dashboard. თუ ეს არ არის, შეგიძლიათ დააჭირეთ menu option ან თქვენ შეგიძლიათ აირჩიოთ ქვემოთ drop-down მენიუ Graphs Graphs Graphs საწყისი View, აირჩიეთ თქვენი მოდელის სტრუქტურა. პირველად, თქვენ უნდა იხილოთ ერთი ღილაკს, რომელიც მოიცავს მთელი მოდელი. ორმაგი დააჭირეთ ღილაკს, რათა იხილოთ ქვემოგრაფიის სტრუქტურა. Graphs Conceptual graph TensorBoard ასევე საშუალებას გაძლევთ ექსპორტზე მოდელი გრაფიკში. ფორმატში .png კონტაქტი თითოეული ვიზუალიზაციის მეთოდი, რომელიც აღწევს ზედაპირზე, აქვს მისი უპირატესობები და უპირატესობები. Netron ძალიან ადვილია გამოყენება სასწავლო მოდელები, ხოლო როგორც ჩანს, TensorBoard ასევე შეიძლება გამოყენებულ იქნას არასამთავრობო მოდელები, მაგრამ საჭიროა პატარა უფრო სამუშაო, რათა დააყენოთ სწორად. visualkeras

This story contains new, firsthand information uncovered by the writer.

The code in this story is for educational purposes. The readers are solely responsible for whatever they build with it.

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

Read My Stories

ეს აუდიო დამზადებულია სიუჟეტის ორიგინალურ ენაზე!

3 გზა ადვილად ვიზუალური Keras Machine Learning მოდელები

About Author

კომენტარები

დაკიდეთ ტეგები

ეს სტატია იყო წარმოდგენილი

Related Stories

DAO-Funded Hardware Wallet Kampela Secures Polkadot Network Investment

Media Moves: Katy Koob Joins Dastan to Drive Decentralized Growth

Unhinged and Overstrained: The Mind of a Harassed Woman

Karak and Space and Time Join Forces to Revolutionize Blockchain Security

DAO-Funded Hardware Wallet Kampela Secures Polkadot Network Investment

Media Moves: Katy Koob Joins Dastan to Drive Decentralized Growth

Unhinged and Overstrained: The Mind of a Harassed Woman

Karak and Space and Time Join Forces to Revolutionize Blockchain Security

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps