د موادو په څیر 
 
 
 
 
 
 کاري کاري د جوړولو مرحله کاري موډلونه د Keras موډلونه د Keras موډلونو چک په یاد ولرئ چې په دې وخت کې، د کیرس په اړه هیڅ اشاره نلري. تاسو کولی شئ خپل لوړ کچه API جوړ کړئ او خلک لري. tf.Module په دې برخه کې، تاسو به څنګه د Keras کاروي د Keras موډلونو بشپړ کارن لارښود په . tf.Module د ګرځنده Keras layers او ماډلونه ډیر اضافي ځانګړتیاوې لري، په شمول: 
 
 
 
 
 
 د اختیاري خساري د metrics ملاتړ د روزنې او د پایلو کارولو تر منځ د تبادله کولو لپاره د اختیاري روزنې arguments لپاره د داخلي ملاتړ د سیلیکون بکسونو په ځای کې د python اشیاء ذخیره کول او بیاکتنه کول get_config او from_config روشونه چې تاسو ته اجازه ورکوي چې د پروګرامونو په دقت کې ذخیره کړئ چې په Python کې د نمونې کلن کولو اجازه ورکوي دا ځانګړتیاوې د subclassing له لارې ډیر پیچلي ماډلونه اجازه ورکوي، لکه د ګمرک GAN یا Variational AutoEncoder (VAE) ماډل. د custom layers او ماډلونه. بشپړ لارښود Keras موډلونه هم د اضافي فعالیت سره راځي چې دوی په اسانۍ سره په څو ماشینونو کې روزنې، ارزیابی، لوستل، ذخیره او حتی روزنه کوي. کاري کاري د ټولو Keras کټګورۍ د بنسټ کټګورۍ ده، او دا له . tf.keras.layers.Layer tf.Module تاسو کولی شئ یو ماډل په Keras کچه بدل کړئ یوازې له خوا د والدین بدل کړئ او بیا بدل کړئ د : __call__ call class MyDense(tf.keras.layers.Layer):
  # Adding **kwargs to support base Keras layer arguments
  def __init__(self, in_features, out_features, **kwargs):
    super().__init__(**kwargs)

    # This will soon move to the build step; see below
    self.w = tf.Variable(
      tf.random.normal([in_features, out_features]), name='w')
    self.b = tf.Variable(tf.zeros([out_features]), name='b')
  def call(self, x):
    y = tf.matmul(x, self.w) + self.b
    return tf.nn.relu(y)

simple_layer = MyDense(name="simple", in_features=3, out_features=3)
 Keras layers لري د خپل چې ځینې حسابونه په راتلونکي برخه کې بیان کوي او بیا د تماس تاسو باید د فعالیتونو په اړه هیڅ بدلون نه وګورئ. __call__ call() simple_layer([[2.0, 2.0, 2.0]])
 <tf.Tensor: shape=(1, 3), dtype=float32, numpy=array([[1.1688161, 0.       , 0.       ]], dtype=float32)>
 د د پړاو build لکه څنګه چې ذکر شوي، په ډیری صورتونو کې دا مناسب ده چې د بدلونونو جوړولو لپاره انتظار وکړئ چې تاسو د وارداتو شکل په یقیني توګه وي. د Keras کټګورۍ سره یو اضافي ژوند چرګانه کټګورۍ شامل دي چې تاسو ته اجازه ورکوي چې ستاسو کټګورۍ په څرنګه کې ډیر انعطافیت لري. دا په دنده build په حقیقت کې، دا د یو ځل په توګه نومول کیږي، او دا د وارداتو شکل سره نومول کیږي. دا معمولا د متغیرونو (د وزنونو) جوړولو لپاره کارول کیږي. build تاسو کولی شئ rewrite د اوبو کچه ته د خپل input اندازه ته انعطاف لري: MyDense class FlexibleDense(tf.keras.layers.Layer):
  # Note the added `**kwargs`, as Keras supports many arguments
  def __init__(self, out_features, **kwargs):
    super().__init__(**kwargs)
    self.out_features = out_features

  def build(self, input_shape):  # Create the state of the layer (weights)
    self.w = tf.Variable(
      tf.random.normal([input_shape[-1], self.out_features]), name='w')
    self.b = tf.Variable(tf.zeros([self.out_features]), name='b')

  def call(self, inputs):  # Defines the computation from inputs to outputs
    return tf.matmul(inputs, self.w) + self.b

# Create the instance of the layer
flexible_dense = FlexibleDense(out_features=3)
 په دې وخت کې، د نمونوي نه جوړ شوی، نو د بدلونونه نه لري: flexible_dense.variables
 []
 د ګمرک په تماس کې د مناسب اندازه بدلونونه تادیه کوي: # Call it, with predictably random results
print("Model results:", flexible_dense(tf.constant([[2.0, 2.0, 2.0], [3.0, 3.0, 3.0]])))
 Model results: tf.Tensor(
[[-2.531786  -5.5550847 -0.4248762]
 [-3.7976792 -8.332626  -0.6373143]], shape=(2, 3), dtype=float32)
 flexible_dense.variables
 [<tf.Variable 'flexible_dense/w:0' shape=(3, 3) dtype=float32, numpy=
 array([[-0.77719826, -1.9281565 ,  0.82326293],
        [ 0.85628736, -0.31845194,  0.10916236],
        [-1.3449821 , -0.5309338 , -1.1448634 ]], dtype=float32)>,
 <tf.Variable 'flexible_dense/b:0' shape=(3,) dtype=float32, numpy=array([0., 0., 0.], dtype=float32)>]
 له خوا یوازې یو ځل په تماس کې، د انټروټونه به په صورت کې چې د انټروټ شکل د کټګورۍ متغیرونو سره مطابقت نلري: build try:
  print("Model results:", flexible_dense(tf.constant([[2.0, 2.0, 2.0, 2.0]])))
except tf.errors.InvalidArgumentError as e:
  print("Failed:", e)
 Failed: Exception encountered when calling layer 'flexible_dense' (type FlexibleDense).

{ {function_node __wrapped__MatMul_device_/job:localhost/replica:0/task:0/device:CPU:0} } Matrix size-incompatible: In[0]: [1,4], In[1]: [3,3] [Op:MatMul] name: 

Call arguments received by layer 'flexible_dense' (type FlexibleDense):
  • inputs=tf.Tensor(shape=(1, 4), dtype=float32)
 کاري موډلونه تاسو کولی شئ خپل ماډل د Keras کټګوریو په توګه تعریف کړئ. په هرصورت، Keras هم د بشپړ ځانګړتیاوو د موډل ټولګي د نوم دا له خوا وارث ، نو د Keras ماډل کولای شي په ورته ډول کارول شي او د Keras کټګوریو سره نښلول شي. د Keras ماډلونه اضافي فعالیت لري چې د دوی په اسانۍ سره په څو ماشینونو کې روزل کیږي، evaluating، loading، saving، او حتی روزل کیږي. tf.keras.Model tf.keras.layers.Layer تاسو کولی شئ د له اوسط سره تقریبا ورته کوډ، بیا بدلون د د والدین بدلون: SequentialModule __call__ call() @keras.saving.register_keras_serializable()
class MySequentialModel(tf.keras.Model):
  def __init__(self, name=None, **kwargs):
    super().__init__(**kwargs)

    self.dense_1 = FlexibleDense(out_features=3)
    self.dense_2 = FlexibleDense(out_features=2)
  def call(self, x):
    x = self.dense_1(x)
    return self.dense_2(x)

# You have made a Keras model!
my_sequential_model = MySequentialModel(name="the_model")

# Call it on a tensor, with random results
print("Model results:", my_sequential_model(tf.constant([[2.0, 2.0, 2.0]])))
 Model results: tf.Tensor([[ 0.26034355 16.431221  ]], shape=(1, 2), dtype=float32)
 ټول ورته ځانګړتیاوې شتون لري، په شمول د متغیرونو او زیرموډولونو څارنه. 
 
 یادونه: د Keras کچه یا موډل کې د خام tf.Module نښلول به د روزنې یا ذخیره کولو لپاره خپل متغیرونه راټول نه کړي. په بل ډول، د Keras کچهونه په Keras کچه کې نښلول شي. یادونه: د Keras کچه یا موډل کې د خام tf.Module نښلول به د روزنې یا ذخیره کولو لپاره خپل متغیرونه راټول نه کړي. په بل ډول، د Keras کچهونه په Keras کچه کې نښلول شي. my_sequential_model.variables
 [<tf.Variable 'my_sequential_model/flexible_dense_1/w:0' shape=(3, 3) dtype=float32, numpy=
 array([[ 1.4749854 ,  0.16090827,  2.2669017 ],
        [ 1.6850946 ,  1.1545411 ,  0.1707306 ],
        [ 0.8753734 , -0.13549292,  0.08751986]], dtype=float32)>,
 <tf.Variable 'my_sequential_model/flexible_dense_1/b:0' shape=(3,) dtype=float32, numpy=array([0., 0., 0.], dtype=float32)>,
 <tf.Variable 'my_sequential_model/flexible_dense_2/w:0' shape=(3, 2) dtype=float32, numpy=
 array([[-0.8022977 ,  1.9773549 ],
        [-0.76657015, -0.8485579 ],
        [ 1.6919082 ,  0.49000967]], dtype=float32)>,
 <tf.Variable 'my_sequential_model/flexible_dense_2/b:0' shape=(2,) dtype=float32, numpy=array([0., 0.], dtype=float32)>]
 my_sequential_model.submodules
 (<__main__.FlexibleDense at 0x7f790c7e0e80>,
 <__main__.FlexibleDense at 0x7f790c7e6940>)
 نندارتون دا د TensorFlow ماډل جوړولو لپاره یو خورا پیتونیک لارښود ده. که تاسو د نورو frameworks څخه ماډلونه migrating یاست، دا کولی شي خورا ساده وي. tf.keras.Model که تاسو د ماډلونو جوړ کړئ چې د موجوده کټګورۍ او انټونونو ساده ترکیبونه دي، تاسو کولی شئ د کارولو سره وخت او فضا خوندي کړئ. ، کوم چې د نمونوي reconstruction او آرژانتیک په اړه اضافي ځانګړتیاوو سره راځي. د API کارول دلته د فعال API سره ورته ماډل دی: inputs = tf.keras.Input(shape=[3,])

x = FlexibleDense(3)(inputs)
x = FlexibleDense(2)(x)

my_functional_model = tf.keras.Model(inputs=inputs, outputs=x)

my_functional_model.summary()
 Model: "model"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 input_1 (InputLayer)        [(None, 3)]               0         
                                                                 
 flexible_dense_3 (Flexible  (None, 3)                 12        
 Dense)                                                          
                                                                 
 flexible_dense_4 (Flexible  (None, 2)                 8         
 Dense)                                                          
                                                                 
=================================================================
Total params: 20 (80.00 Byte)
Trainable params: 20 (80.00 Byte)
Non-trainable params: 0 (0.00 Byte)
_________________________________________________________________
 my_functional_model(tf.constant([[2.0, 2.0, 2.0]]))
 <tf.Tensor: shape=(1, 2), dtype=float32, numpy=array([[3.4276495, 2.937252 ]], dtype=float32)>
 په دې کې د لوی فرق دا ده چې د وارداتو شکل د فعال جوړښت پروسه برخه په توګه په مخ کې مشخص شوی. په دې صورت کې ، دا اړتیا نلري چې په بشپړه توګه مشخص شي ، تاسو کولی شئ ځینې اندازې لکه . input_shape None 
 
 یادونه: تاسو ته اړتیا نلري چې د input_shape یا د InputLayer په یو subclassed ماډل ځانګړئ؛ دا انګرامونه او کچه به نږدې وي. تاسو اړتیا نلري یا د په یو subclassed ماډل کې؛ دا انګرامونه او کټګورۍ به نښلیدل شي. Note: input_shape InputLayer د Keras موډلونه د Keras موډلونه د خپل تخصصي zip آرشیف ذخیره کولو فارم لري، چې د د اوږدوالي. کله چې د تماس د A اضافه د فایبر نوم پراختیا. د مثال په توګه: .keras tf.keras.Model.save .keras my_sequential_model.save("exname_of_file.keras")
 همدارنګه په اسانۍ سره، دوی کولی شي په لویدیځ کې لوستل شي: reconstructed_model = tf.keras.models.load_model("exname_of_file.keras")
 د زپ آرشیف - فایلونه - هم د متري، د نقصان، او د optimizer حالتونه خوندي کړئ. .keras دا rekonstructed ماډل کولی شي کارول شي او به د ورته معلوماتو په تماس کې د ورته پايلې تولید کړي: reconstructed_model(tf.constant([[2.0, 2.0, 2.0]]))
 <tf.Tensor: shape=(1, 2), dtype=float32, numpy=array([[ 0.26034355, 16.431221  ]], dtype=float32)>
 د Keras موډلونو چک د Keras ماډلونه هم چیک پوښل کیدی شي، او دا به ورته ښکاري . tf.Module د Keras ماډلونو ذخیره کولو او serialization په اړه نور معلومات شتون لري، په شمول د ځانګړتیاو د ملاتړ لپاره د ګمرکاتو کټګوریو لپاره د تنظیم کولو طریقې وړاندې کولو. . د سپارلو او serialization لارښود هغه څه چې بل که تاسو غواړئ د Keras په اړه نور تفصيلات پوه شئ، تاسو کولی شئ د Keras موجودو لارښوونه ونیسئ . دلته د لوړ کچه API په جوړ کې یو بل مثال دی Sonnet له DeepMind، چې په اړه پوښل کیږي . tf.module زموږ سایټ 
 
 په اصل کې په TensorFlow ویب پاڼه کې چاپ شوی، دا مقاله دلته د نوي نوم لاندې ښودل کیږي او د CC BY 4.0 لسیس شوی دی. د کوډ نمونې د Apache 2.0 لسیس لاندې شریک شوي دي. په اصل کې په The په ویب پاڼه کې، دا مقاله دلته د نوي نوم لاندې ښودل کیږي او د CC BY 4.0 لسیس شوی دی. د کوډ نمونې د Apache 2.0 لسیس لاندې شریک شوي دي. TensorFlow د TensorFlow

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

دا غږ د کیسې په اصلي ژبه تولید شوی!

د Keras او tf.Module په کارولو سره د ماډلونو جوړولو، روزنې او ذخیره کول

About Author

تبصرې

hang tags

دا مقاله په کې وړاندې شوې وه

Related Stories

Psychology of the Unconscious by C. G. Jung - Table of Links

Goodtalent is the Startup of the Year in Lagos, Nigeria

#CrazyTechStories @ Huckletree, London, England

Stocks will be More Profitable than Crypto - Interview With Bryan Applegate

Psychology of the Unconscious by C. G. Jung - Table of Links

Goodtalent is the Startup of the Year in Lagos, Nigeria

#CrazyTechStories @ Huckletree, London, England

Stocks will be More Profitable than Crypto - Interview With Bryan Applegate

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps