How to Build a Brain ერთად Keras და რამდენიმე ხაზი კოდი

Content მიმოხილვა კონტაქტი კონტაქტი ტრენინგი, შეფასება და შეფასება Save და serialize გამოიყენეთ იგივე გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული ყველა მოდელები a callable, ისევე როგორც layers გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული Multiple Inputs და Outputs მოდელები ResNet მოდელი კონტაქტი import numpy as np import tensorflow as tf from tensorflow import keras from keras import layers კონტაქტი Keras ეს არის გზა შექმნას მოდელები, რომლებიც უფრო მოქნილია, ვიდრე API. The functional API can handle models with non-linear topology, shared layers, and even multiple inputs or outputs. ფუნქციური API keras.Sequential ძირითადი იდეა არის, რომ Deep Learning მოდელი ჩვეულებრივ გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული . გრაფიკები Layers იხილეთ შემდეგი მოდელი: ეს არის ძირითადი გრაფიკი, რომელიც შეიცავს სამი ფართობი. ამ მოდელის შექმნა ფუნქციური API- ის გამოყენებით, დაიწყეთ ინტენსიური ღონისძიების შექმნა: inputs = keras.Input(shape=(784,)) მონაცემთა ფორმა დააყენა 784-dimensional vector. batch ზომა ყოველთვის გამოჩნდა, რადგან მხოლოდ ფორმა თითოეული ნიმუში დააყენა. თუ, მაგალითად, თქვენ გაქვთ სურათის ინტეგრირება, რომელიც შეიცავს თქვენ უნდა გამოიყენოთ: (32, 32, 3) # Just for demonstration purposes. img_inputs = keras.Input(shape=(32, 32, 3)) ეს ეს შეიცავს ინფორმაცია ფორმის და თქვენი მოდელი შეიცავს თქვენი მოდელი. აქ არის ფორმა: inputs dtype inputs.shape TensorShape([None, 784]) აქ არის dtype: inputs.dtype tf.float32 You create a new node in the graph of layers by calling a layer on this კონტაქტი : inputs dense = layers.Dense(64, activation="relu") x = dense(inputs) "Layer Call" ოპერაცია არის, როგორიცაა ატვირთვა ფურცელი "inputs" ამ ფურცელი თქვენ შექმნილია. თქვენ "დაწვრილებით" input to the ლიტერატურა, და თქვენ მიიღებთ როგორიცაა წარმოება dense x დაახლოებით რამდენიმე გრაფიკული გრაფიკული გრაფიკული გრაფიკული: x = layers.Dense(64, activation="relu")(x) outputs = layers.Dense(10)(x) ამ დროს, თქვენ შეგიძლიათ შექმნას a მას შემდეგ, რაც მისი შეტყობინებები და შეტყობინებები გრაფიკში: Model model = keras.Model(inputs=inputs, outputs=outputs, name="mnist_model") შეამოწმეთ, თუ როგორ გამოიყურება მოდელი შეტყობინება: model.summary() Model: "mnist_model" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= input_1 (InputLayer) [(None, 784)] 0 dense (Dense) (None, 64) 50240 dense_1 (Dense) (None, 64) 4160 dense_2 (Dense) (None, 10) 650 ================================================================= Total params: 55050 (215.04 KB) Trainable params: 55050 (215.04 KB) Non-trainable params: 0 (0.00 Byte) _________________________________________________________________ თქვენ ასევე შეგიძლიათ დააყენოთ მოდელი გრაფიკით: keras.utils.plot_model(model, "my_first_model.png") და, optionally, ჩვენება input და output ფორმები თითოეული ფართობი გრაფიკაში: keras.utils.plot_model(model, "my_first_model_with_shape_info.png", show_shapes=True) ეს ფურცელი და კოდი თითქმის იგივეა. კოდი ვერსია, კავშირის ფურცელი შეიცვალა კავშირის ოპერაცია. გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული ტრენინგი, შეფასება და შეფასება Training, assessment, and inference მუშაობს בדיוק იგივე გზა მოდელები შექმნილია გამოყენებით ფუნქციური API, როგორც მოდელი Sequential ეს კლასის უზრუნველყოფს ინტეგრირებული სასწავლო loop (the სტრუქტურა და სტრუქტურა (the built-in evaluation loop) იმიტომ, რომ თქვენ შეგიძლიათ ადვილად სასწავლო სტრატეგიების განხორციელება უფრო მეტია, ვიდრე სასწავლო სტრატეგიების განხორციელება (გ. ) და Model fit() evaluate() გააუმჯობესეთ ეს loops განი აქ, დატვირთეთ MNIST სურათის მონაცემები, გადაიხადეთ მათ vektors, შეესაბამება მოდელი მონაცემებს (მაგონტაქტო შესრულების მონიტორინგი validation split), შემდეგ შეფასება მოდელი ტესტი მონაცემები: (x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data() x_train = x_train.reshape(60000, 784).astype("float32") / 255 x_test = x_test.reshape(10000, 784).astype("float32") / 255 model.compile( loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True), optimizer=keras.optimizers.RMSprop(), metrics=[keras.metrics.SparseCategoricalAccuracy()], ) history = model.fit(x_train, y_train, batch_size=64, epochs=2, validation_split=0.2) test_scores = model.evaluate(x_test, y_test, verbose=2) print("Test loss:", test_scores[0]) print("Test accuracy:", test_scores[1]) Epoch 1/2 750/750 [==============================] - 4s 3ms/step - loss: 0.3556 - sparse_categorical_accuracy: 0.8971 - val_loss: 0.1962 - val_sparse_categorical_accuracy: 0.9422 Epoch 2/2 750/750 [==============================] - 2s 2ms/step - loss: 0.1612 - sparse_categorical_accuracy: 0.9527 - val_loss: 0.1461 - val_sparse_categorical_accuracy: 0.9592 313/313 - 0s - loss: 0.1492 - sparse_categorical_accuracy: 0.9556 - 463ms/epoch - 1ms/step Test loss: 0.14915992319583893 Test accuracy: 0.9556000232696533 დამატებითი წაიკითხვისთვის, იხილეთ მიმოხილვა სასწავლო და შეფასება Save და serialize მოდელის შენარჩუნება და serialization მუშაობს იგივე გზა მოდელები შექმნილია გამოყენებით ფუნქციური API, როგორც ისინი მუშაობენ სტანდარტული გზა ფუნქციური მოდელი გადარჩენა არის დააჭირეთ მას შემდეგ, რაც მოდელი არ არის ხელმისაწვდომი, მას შემდეგ, რაც მოდელი არ არის ხელმისაწვდომი, მას შემდეგ, რაც მოდელი არ არის ხელმისაწვდომი. Sequential model.save() ეს შენახული ფაილი მოიცავს: მოდელი არქიტექტურა მოდელი წონის ღირებულებები (მაგავსეთ სასწავლო დროს) მოდელი ტრენინგი config, თუ არსებობს (ჩვეულებრივ კომბინირება) გაუმჯობესება და მისი სტრუქტურა, თუ არსებობს (სახლეთ სასწავლო, სადაც თქვენ დასრულდა) model.save("path_to_my_model.keras") del model # Recreate the exact same model purely from the file: model = keras.models.load_model("path_to_my_model.keras") დეტალები, წაიკითხეთ მოდელი მიმოხილვა სერიაფიკაცია და შენარჩუნება გამოიყენეთ იგივე გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული ფუნქციური API- ში, მოდელები შექმნილია მათი ინტენსიების და outputs- ის გრაფიკაში. ეს იმას ნიშნავს, რომ ერთი გრაფიკული გრაფიკული გრაფიკები შეიძლება გამოყენებულ იქნას მრავალფეროვანი მოდელები შექმნას. შემდეგი მაგალითად, იგივე ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო ფართო: მოდელი, რომელიც გადარჩენა სურათის ინტენსიები 16-dimensional vectors, და End-to-End მოდელი სასწავლო. encoder autoencoder encoder_input = keras.Input(shape=(28, 28, 1), name="img") x = layers.Conv2D(16, 3, activation="relu")(encoder_input) x = layers.Conv2D(32, 3, activation="relu")(x) x = layers.MaxPooling2D(3)(x) x = layers.Conv2D(32, 3, activation="relu")(x) x = layers.Conv2D(16, 3, activation="relu")(x) encoder_output = layers.GlobalMaxPooling2D()(x) encoder = keras.Model(encoder_input, encoder_output, name="encoder") encoder.summary() x = layers.Reshape((4, 4, 1))(encoder_output) x = layers.Conv2DTranspose(16, 3, activation="relu")(x) x = layers.Conv2DTranspose(32, 3, activation="relu")(x) x = layers.UpSampling2D(3)(x) x = layers.Conv2DTranspose(16, 3, activation="relu")(x) decoder_output = layers.Conv2DTranspose(1, 3, activation="relu")(x) autoencoder = keras.Model(encoder_input, decoder_output, name="autoencoder") autoencoder.summary() Model: "encoder" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= img (InputLayer) [(None, 28, 28, 1)] 0 conv2d (Conv2D) (None, 26, 26, 16) 160 conv2d_1 (Conv2D) (None, 24, 24, 32) 4640 max_pooling2d (MaxPooling2 (None, 8, 8, 32) 0 D) conv2d_2 (Conv2D) (None, 6, 6, 32) 9248 conv2d_3 (Conv2D) (None, 4, 4, 16) 4624 global_max_pooling2d (Glob (None, 16) 0 alMaxPooling2D) ================================================================= Total params: 18672 (72.94 KB) Trainable params: 18672 (72.94 KB) Non-trainable params: 0 (0.00 Byte) _________________________________________________________________ Model: "autoencoder" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= img (InputLayer) [(None, 28, 28, 1)] 0 conv2d (Conv2D) (None, 26, 26, 16) 160 conv2d_1 (Conv2D) (None, 24, 24, 32) 4640 max_pooling2d (MaxPooling2 (None, 8, 8, 32) 0 D) conv2d_2 (Conv2D) (None, 6, 6, 32) 9248 conv2d_3 (Conv2D) (None, 4, 4, 16) 4624 global_max_pooling2d (Glob (None, 16) 0 alMaxPooling2D) reshape (Reshape) (None, 4, 4, 1) 0 conv2d_transpose (Conv2DTr (None, 6, 6, 16) 160 anspose) conv2d_transpose_1 (Conv2D (None, 8, 8, 32) 4640 Transpose) up_sampling2d (UpSampling2 (None, 24, 24, 32) 0 D) conv2d_transpose_2 (Conv2D (None, 26, 26, 16) 4624 Transpose) conv2d_transpose_3 (Conv2D (None, 28, 28, 1) 145 Transpose) ================================================================= Total params: 28241 (110.32 KB) Trainable params: 28241 (110.32 KB) Non-trainable params: 0 (0.00 Byte) _________________________________________________________________ აქ, decoding არქიტექტურა არის მკაცრი symmetrical to encoding არქიტექტურა, ასე რომ output ფორმა არის იგივე, როგორც input ფორმა . (28, 28, 1) A- ის განსხვავება ლიტერატურა A A- ს და A- ს კონფიგურაცია Layer არის layer. Conv2D Conv2DTranspose MaxPooling2D UpSampling2D ყველა მოდელები არის მოკლე, ისევე როგორც layers თქვენ შეგიძლიათ გამოიწვიოს ნებისმიერი მოდელი, როგორც ეს იყო layer მიერ მოვუწოდოს იგი on a ან სხვა ფართობი გამოცემა. მოდელი არ არის მხოლოდ აღდგენა მოდელი არქიტექტურა, თქვენ ასევე აღდგენა მისი წონა. Input იმისათვის, რომ ეს გაკეთდეს, აქ არის განსხვავებული მიმოხილვა autoencoder მაგალითად, რომელიც შექმნათ encoder მოდელი, decoder მოდელი, და ქსელის მათ ორი calls მიიღოს autoencoder მოდელი: encoder_input = keras.Input(shape=(28, 28, 1), name="original_img") x = layers.Conv2D(16, 3, activation="relu")(encoder_input) x = layers.Conv2D(32, 3, activation="relu")(x) x = layers.MaxPooling2D(3)(x) x = layers.Conv2D(32, 3, activation="relu")(x) x = layers.Conv2D(16, 3, activation="relu")(x) encoder_output = layers.GlobalMaxPooling2D()(x) encoder = keras.Model(encoder_input, encoder_output, name="encoder") encoder.summary() decoder_input = keras.Input(shape=(16,), name="encoded_img") x = layers.Reshape((4, 4, 1))(decoder_input) x = layers.Conv2DTranspose(16, 3, activation="relu")(x) x = layers.Conv2DTranspose(32, 3, activation="relu")(x) x = layers.UpSampling2D(3)(x) x = layers.Conv2DTranspose(16, 3, activation="relu")(x) decoder_output = layers.Conv2DTranspose(1, 3, activation="relu")(x) decoder = keras.Model(decoder_input, decoder_output, name="decoder") decoder.summary() autoencoder_input = keras.Input(shape=(28, 28, 1), name="img") encoded_img = encoder(autoencoder_input) decoded_img = decoder(encoded_img) autoencoder = keras.Model(autoencoder_input, decoded_img, name="autoencoder") autoencoder.summary() Model: "encoder" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= original_img (InputLayer) [(None, 28, 28, 1)] 0 conv2d_4 (Conv2D) (None, 26, 26, 16) 160 conv2d_5 (Conv2D) (None, 24, 24, 32) 4640 max_pooling2d_1 (MaxPoolin (None, 8, 8, 32) 0 g2D) conv2d_6 (Conv2D) (None, 6, 6, 32) 9248 conv2d_7 (Conv2D) (None, 4, 4, 16) 4624 global_max_pooling2d_1 (Gl (None, 16) 0 obalMaxPooling2D) ================================================================= Total params: 18672 (72.94 KB) Trainable params: 18672 (72.94 KB) Non-trainable params: 0 (0.00 Byte) _________________________________________________________________ Model: "decoder" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= encoded_img (InputLayer) [(None, 16)] 0 reshape_1 (Reshape) (None, 4, 4, 1) 0 conv2d_transpose_4 (Conv2D (None, 6, 6, 16) 160 Transpose) conv2d_transpose_5 (Conv2D (None, 8, 8, 32) 4640 Transpose) up_sampling2d_1 (UpSamplin (None, 24, 24, 32) 0 g2D) conv2d_transpose_6 (Conv2D (None, 26, 26, 16) 4624 Transpose) conv2d_transpose_7 (Conv2D (None, 28, 28, 1) 145 Transpose) ================================================================= Total params: 9569 (37.38 KB) Trainable params: 9569 (37.38 KB) Non-trainable params: 0 (0.00 Byte) _________________________________________________________________ Model: "autoencoder" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= img (InputLayer) [(None, 28, 28, 1)] 0 encoder (Functional) (None, 16) 18672 decoder (Functional) (None, 28, 28, 1) 9569 ================================================================= Total params: 28241 (110.32 KB) Trainable params: 28241 (110.32 KB) Non-trainable params: 0 (0.00 Byte) _________________________________________________________________ როგორც ხედავთ, მოდელი შეიძლება იყოს ნიმუში: მოდელი შეიძლება შეიცავდეს ქვემოთ მოდელები (როგორიცაა მოდელი, როგორც ფართობი). საერთო გამოყენების შემთხვევაში მოდელი ნიმუში არის მაგალითად, აქ არის, თუ როგორ შეესაბამება კომპლექტი მოდელები ერთი მოდელი, რომელიც საშუალო მათი პროგნოზი: კონტაქტი def get_model(): inputs = keras.Input(shape=(128,)) outputs = layers.Dense(1)(inputs) return keras.Model(inputs, outputs) model1 = get_model() model2 = get_model() model3 = get_model() inputs = keras.Input(shape=(128,)) y1 = model1(inputs) y2 = model2(inputs) y3 = model3(inputs) outputs = layers.average([y1, y2, y3]) ensemble_model = keras.Model(inputs=inputs, outputs=outputs) გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული გრაფიკული Multiple Inputs და Outputs მოდელები ფუნქციური API- ის საშუალებას იძლევა მრავალფეროვანი ინტენსიების და outputs- ის მონიტორინგი. ეს არ არის შესაძლებელი ამინდი Sequential For example, if you're building a system for ranking customer issue tickets by priority and routing them to the correct department, then the model will have three inputs: ბილეთების სახელი (ტექსტური ინტეგრირება) ბილეთების ტექსტური სხეულის (ტექსტური ინტეგრირება) და ნებისმიერი მაგიდა, რომელიც მომხმარებლის მიერ დაამატა (კლასიკური შეტყობინება) ეს მოდელი იქნება ორი outputs: Priority Score 0 და 1 (Scalar Sigmoid Output) და დეპარტამენტი, რომელიც უნდა გაქირავდეს ბილეთი (softmax output over the set of departments). თქვენ შეგიძლიათ შექმნათ ეს მოდელი რამდენიმე ხაზი ერთად ფუნქციური API: num_tags = 12 # Number of unique issue tags num_words = 10000 # Size of vocabulary obtained when preprocessing text data num_departments = 4 # Number of departments for predictions title_input = keras.Input( shape=(None,), name="title" ) # Variable-length sequence of ints body_input = keras.Input(shape=(None,), name="body") # Variable-length sequence of ints tags_input = keras.Input( shape=(num_tags,), name="tags" ) # Binary vectors of size `num_tags` # Embed each word in the title into a 64-dimensional vector title_features = layers.Embedding(num_words, 64)(title_input) # Embed each word in the text into a 64-dimensional vector body_features = layers.Embedding(num_words, 64)(body_input) # Reduce sequence of embedded words in the title into a single 128-dimensional vector title_features = layers.LSTM(128)(title_features) # Reduce sequence of embedded words in the body into a single 32-dimensional vector body_features = layers.LSTM(32)(body_features) # Merge all available features into a single large vector via concatenation x = layers.concatenate([title_features, body_features, tags_input]) # Stick a logistic regression for priority prediction on top of the features priority_pred = layers.Dense(1, name="priority")(x) # Stick a department classifier on top of the features department_pred = layers.Dense(num_departments, name="department")(x) # Instantiate an end-to-end model predicting both priority and department model = keras.Model( inputs=[title_input, body_input, tags_input], outputs=[priority_pred, department_pred], ) ახლა დააყენეთ მოდელი: keras.utils.plot_model(model, "multi_input_and_output_model.png", show_shapes=True) ამ მოდელის კომბინაციაში, თქვენ შეგიძლიათ განსხვავებული დაკარგები თითოეული გამოცემა. თქვენ ასევე შეგიძლიათ განსხვავებული წონა თითოეული დაკარგვა - მოდული მათი შემოსავალი საერთო სასწავლო დაკარგვა. model.compile( optimizer=keras.optimizers.RMSprop(1e-3), loss=[ keras.losses.BinaryCrossentropy(from_logits=True), keras.losses.CategoricalCrossentropy(from_logits=True), ], loss_weights=[1.0, 0.2], ) იმის გამო, რომ output layers აქვს სხვადასხვა სახელიები, თქვენ ასევე შეგიძლიათ დააყენოთ დაკარგულების და დაკარგულების წონა corresponding layer names: model.compile( optimizer=keras.optimizers.RMSprop(1e-3), loss={ "priority": keras.losses.BinaryCrossentropy(from_logits=True), "department": keras.losses.CategoricalCrossentropy(from_logits=True), }, loss_weights={"priority": 1.0, "department": 0.2}, ) მოდელის ტრენინგი NumPy- ის ინტენსიების და მიზნების სიაში: # Dummy input data title_data = np.random.randint(num_words, size=(1280, 10)) body_data = np.random.randint(num_words, size=(1280, 100)) tags_data = np.random.randint(2, size=(1280, num_tags)).astype("float32") # Dummy target data priority_targets = np.random.random(size=(1280, 1)) dept_targets = np.random.randint(2, size=(1280, num_departments)) model.fit( {"title": title_data, "body": body_data, "tags": tags_data}, {"priority": priority_targets, "department": dept_targets}, epochs=2, batch_size=32, ) Epoch 1/2 40/40 [==============================] - 8s 112ms/step - loss: 1.2982 - priority_loss: 0.6991 - department_loss: 2.9958 Epoch 2/2 40/40 [==============================] - 3s 64ms/step - loss: 1.3110 - priority_loss: 0.6977 - department_loss: 3.0666 When calling fit with a სავარაუდოდ, ეს მოიცავს ერთ-ერთი სია, როგორც ეს არის ერთ-ერთი უამრავი სიტყვა, როგორიცაა . Dataset ([title_data, body_data, tags_data], [priority_targets, dept_targets]) ({'title': title_data, 'body': body_data, 'tags': tags_data}, {'priority': priority_targets, 'department': dept_targets}) უფრო დეტალური შეტყობინებები, გთხოვთ დაუკავშირდეთ მიმოხილვა სასწავლო და შეფასება ResNet მოდელი გარდა ამისა, რომ მოდელები აქვს მრავალფეროვანი ინტენსიები და ექსტრაქტები, ფუნქციური API- ის საშუალებას იძლევა ადვილად manipulating non-linear connectivity topologies - ეს არის მოდელები ფართები, რომლებიც არ დააკავშირირებულ სექციურად, რომელიც API cannot handle. Sequential ჩვენ ვიყენებთ ResNet მოდელი CIFAR10, რათა აჩვენოთ ეს: inputs = keras.Input(shape=(32, 32, 3), name="img") x = layers.Conv2D(32, 3, activation="relu")(inputs) x = layers.Conv2D(64, 3, activation="relu")(x) block_1_output = layers.MaxPooling2D(3)(x) x = layers.Conv2D(64, 3, activation="relu", padding="same")(block_1_output) x = layers.Conv2D(64, 3, activation="relu", padding="same")(x) block_2_output = layers.add([x, block_1_output]) x = layers.Conv2D(64, 3, activation="relu", padding="same")(block_2_output) x = layers.Conv2D(64, 3, activation="relu", padding="same")(x) block_3_output = layers.add([x, block_2_output]) x = layers.Conv2D(64, 3, activation="relu")(block_3_output) x = layers.GlobalAveragePooling2D()(x) x = layers.Dense(256, activation="relu")(x) x = layers.Dropout(0.5)(x) outputs = layers.Dense(10)(x) model = keras.Model(inputs, outputs, name="toy_resnet") model.summary() Model: "toy_resnet" __________________________________________________________________________________________________ Layer (type) Output Shape Param # Connected to ================================================================================================== img (InputLayer) [(None, 32, 32, 3)] 0 [] conv2d_8 (Conv2D) (None, 30, 30, 32) 896 ['img[0][0]'] conv2d_9 (Conv2D) (None, 28, 28, 64) 18496 ['conv2d_8[0][0]'] max_pooling2d_2 (MaxPoolin (None, 9, 9, 64) 0 ['conv2d_9[0][0]'] g2D) conv2d_10 (Conv2D) (None, 9, 9, 64) 36928 ['max_pooling2d_2[0][0]'] conv2d_11 (Conv2D) (None, 9, 9, 64) 36928 ['conv2d_10[0][0]'] add (Add) (None, 9, 9, 64) 0 ['conv2d_11[0][0]', 'max_pooling2d_2[0][0]'] conv2d_12 (Conv2D) (None, 9, 9, 64) 36928 ['add[0][0]'] conv2d_13 (Conv2D) (None, 9, 9, 64) 36928 ['conv2d_12[0][0]'] add_1 (Add) (None, 9, 9, 64) 0 ['conv2d_13[0][0]', 'add[0][0]'] conv2d_14 (Conv2D) (None, 7, 7, 64) 36928 ['add_1[0][0]'] global_average_pooling2d ( (None, 64) 0 ['conv2d_14[0][0]'] GlobalAveragePooling2D) dense_6 (Dense) (None, 256) 16640 ['global_average_pooling2d[0][ 0]'] dropout (Dropout) (None, 256) 0 ['dense_6[0][0]'] dense_7 (Dense) (None, 10) 2570 ['dropout[0][0]'] ================================================================================================== Total params: 223242 (872.04 KB) Trainable params: 223242 (872.04 KB) Non-trainable params: 0 (0.00 Byte) __________________________________________________________________________________________________ დასაწყისში მოდელი: keras.utils.plot_model(model, "mini_resnet.png", show_shapes=True) ახლა ატარებთ მოდელი: (x_train, y_train), (x_test, y_test) = keras.datasets.cifar10.load_data() x_train = x_train.astype("float32") / 255.0 x_test = x_test.astype("float32") / 255.0 y_train = keras.utils.to_categorical(y_train, 10) y_test = keras.utils.to_categorical(y_test, 10) model.compile( optimizer=keras.optimizers.RMSprop(1e-3), loss=keras.losses.CategoricalCrossentropy(from_logits=True), metrics=["acc"], ) # We restrict the data to the first 1000 samples so as to limit execution time # on Colab. Try to train on the entire dataset until convergence! model.fit(x_train[:1000], y_train[:1000], batch_size=64, epochs=1, validation_split=0.2) 13/13 [==============================] - 4s 39ms/step - loss: 2.3086 - acc: 0.0988 - val_loss: 2.3020 - val_acc: 0.0850 დასაწყისი გამოქვეყნდა TensorFlow ვებ-გვერდზე, ამ სტატიაში გამოქვეყნდა ახალი სატელევიზიო და ლიცენზია CC BY 4.0. კოდი ნიმუშები გამოქვეყნდა Apache 2.0 ლიცენზია. დასაწყისი გამოქვეყნდა TensorFlow ვებ-გვერდზე, ამ სტატიაში გამოქვეყნდა ახალი სატელევიზიო და ლიცენზია CC BY 4.0. კოდი ნიმუშები გამოქვეყნდა Apache 2.0 ლიცენზია. TensorFlow