څنګه د Keras او د کوډ د ځينو کرښه سره د دماغ جوړ کړئ

د موادو په څیر د جوړولو د نندارتون د روزنې، evaluating او inference Save او serialize د ډیری ماډلونه تنظیمولو لپاره د کټګوریو په ورته ګراف استعمال کړئ ټول ماډلونه د Callable، لکه layers د پیچلي graph topologies manipulate د څو inputs او outputs سره ماډلونه د Toy ResNet نمونوي د جوړولو import numpy as np import tensorflow as tf from tensorflow import keras from keras import layers د نندارتون د کیری دا یو لاره ده چې د ماډلونو جوړ کړي چې ډیر انعطاف دي د API. د فعالیت API کولای شي د غیر لاینر تپولوژۍ، مشترکه کټګورۍ، او حتی د ډیرو انټروټونه او یا صادراتو سره ماډلونه ترسره کړي. د API کارول keras.Sequential اصلي مفهوم دا دی چې د عمیق زده کړې ماډل معمولا د کټګورۍ په مستقیمه توګه acyclic graph (DAG) دی. نو د فعالیت API د جوړولو یوه لاره ده . Graphs د layers د لاندې نمونوي په اړه فکر وکړئ: [Dense (64 واحدونه، relu فعاليت)] [Dense (64 واحدونه، relu فعاليت)] [Dense (10 واحدونه، softmax فعاليت)] (تولید: د 10 ټولګي کې د احتمالي توزیع لګټونه) دا د درې کچې سره یو بنسټیز ګراف دی. د دې ماډل جوړولو لپاره د فعالیت API په کارولو سره، د input node جوړولو سره پیل کړئ: inputs = keras.Input(shape=(784,)) د معلوماتو شکل د 784-dimensional وکتور په توګه تنظیم شوی دی. د بیلګې اندازه تل له دې امله چې یوازې د هر نمونه په شکل کې مشخص شوی دی. که، د مثال په توګه، که تاسو د انځور سره یو شکل تاسو به کار واخلئ: (32, 32, 3) # Just for demonstration purposes. img_inputs = keras.Input(shape=(32, 32, 3)) د چې راټول کیږي د شکل په اړه معلومات لري او د انټرنېټ ډاټا څخه چې تاسو خپل ماډل ته ورکړئ. دلته د شکل دی: inputs dtype inputs.shape TensorShape([None, 784]) دلته د dtype دی: inputs.dtype tf.float32 تاسو د کټګورۍ د کټګورۍ کې د نوي نان جوړ کړئ د دې په کټګورۍ کې د کټګورۍ په تماس کې د موضوع: inputs dense = layers.Dense(64, activation="relu") x = dense(inputs) د "Layer Call" عمل دی لکه د "Inputs" څخه د دې کچه چې تاسو جوړ کړ. تاسو د Inputs ته "پړاو" کوي layer، او تاسو ترلاسه کړئ لکه څنګه چې د محصول dense x موږ به د کټګورۍ د کټګورۍ په ګراف کې ځینې کټګورۍ اضافه کړئ: x = layers.Dense(64, activation="relu")(x) outputs = layers.Dense(10)(x) په دې وخت کې، تاسو کولی شئ د له خوا په کچه د ګراف کې د انستونو او انستونو ځانګړتیاوې: Model model = keras.Model(inputs=inputs, outputs=outputs, name="mnist_model") بیا وګورئ چې د ماډل خلاصې څنګه ښکاري: 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) _________________________________________________________________ تاسو کولی شئ د نمونوي په توګه د ګرافې هم جوړ کړئ: keras.utils.plot_model(model, "my_first_model.png") او، په اختیاري توګه، د هر کچه د وارداتو او صادرولو شکلونه په ګراف کې نندارې: keras.utils.plot_model(model, "my_first_model_with_shape_info.png", show_shapes=True) دا انځور او کوډ تقریبا ورته دي. په کوډ نسخه کې، د اړیکو پټونه د تماس عملیاتو لخوا بدل شوي دي. د "گراف کچه" د عمیق زده کړې ماډل لپاره یو حساس ذهني انځور دی، او د عامه API د ماډل جوړولو یوه لاره ده چې د دې په اوږدو کې ښکاره کوي. د روزنې، ارزیابی، او inference د روزنې، evaluating، او inference په بشپړه توګه په ورته ډول کار کوي د ماډلونو په کارولو سره د فعالیت API جوړ د نمونوي Sequential د د کلاس د جوړ شوي روزنې چڼاسکه وړاندې کوي (د method) او د جوړ شوي evaluation loop (د روش). یاد وکړئ چې تاسو کولی شئ په اسانۍ سره د څیړنې روزنې روزنې د څیړنې څیړنې څخه نور (د مثال په توګه. همدارنګه Model fit() evaluate() د دې لوپونو customize ژانر دلته، د MNIST انځور ډاټا لوډ کړئ، دا په ویټورونو کې جوړ کړئ، د نمونوي په ډاټا کې شامل کړئ (په داسې حال کې چې د تصدیق تقسیم کې د کړنو څارنه کوي)، بیا د نمونوي په ازموینې ډاټا کې ارزیابی کړئ: (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 د نورو لوستلو لپاره، وګورئ د لارښود د روزنې او ارزیابی Save او serialize د ماډل ذخیره کول او serialization په ورته ډول د ماډلونو لپاره کار کوي چې د فعالیت API په کارولو سره جوړ شوي دي. د فعال ماډل ذخیره کولو معياري لاره دا ده چې د تاسو کولی شئ وروسته له دې فایل څخه ورته ماډل بیا رسیږي، حتی که د کوډ چې د ماډل جوړ شوی دی اوس هم موجود ندي. Sequential model.save() دا ذخیره شوي فایل شامل دي: د معمارۍ نمونوي د نمونوي وزن ارزښتونه (که د روزنې په وخت کې زده شوي دي) د نمونوي روزنې config، که څه هم (چون چې د کمپیوټر ته انتقال شوي) optimizer او د دې حالت، که څه هم (د روزنې د دوبلو پیل چې تاسو بند) 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") د تفصيلاتو لپاره، د نمونوي وګورئ د لارښود serialization & سپارښتنه د ډیری ماډلونه تنظیمولو لپاره د کټګوریو په ورته ګراف استعمال کړئ په فعال API کې، ماډلونه د ګرامرونو په ګرامر کې د دوی د وارداتو او صادراتو ځانګړنې له لارې جوړ شوي دي. دا معنی لري چې د ګرامرونو یوه ګرامر کولی شي د څو ماډلونه جوړولو لپاره کارول شي. په لاندې مثال کې، تاسو د دوو ماډلونو په انټرنټ کولو لپاره ورته کټګوریو کاروي: د نمونوي چې د انځور د وارداتو په 16dimensional وکتورونه بدلوي، او د روزنې د نمونوي. 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) _________________________________________________________________ Here, the decoding architecture is strictly symmetrical to the encoding architecture, so the output shape is the same as the input shape . (28, 28, 1) د A مخکښ layer is a د لویدیځ، او د لویدیځ A layer ده یو د لیور Conv2D Conv2DTranspose MaxPooling2D UpSampling2D ټول ماډلونه د صداقت وړ دي، لکه څنګه چې layers تاسو کولی شئ د هر ماډل په توګه د یو کټګورۍ په توګه درملنه ونیسئ. یا د بل کچه د محصول پرته. د يو ماډل په تماس کې تاسو نه یوازې د ماډل آرکټیکټریټ دوبله وکاروي، تاسو هم د هغه وزنونه دوبله وکاروي. Input د دې په عمل کې وګورئ، دلته د اتوماتیکډر مثال په مختلفو توګه وګورئ چې د اتوماتیکډر ماډل، د ډکډر ماډل جوړوي، او د اتوماتیکډر ماډل ترلاسه کولو لپاره دوی په دوو تماسونو کې چټکوي: 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) _________________________________________________________________ لکه څنګه چې تاسو کولی شئ وګورئ، د ماډل کولی شي نښلول شي: د ماډل کولی شي د زیرموډلونه لري (چې د ماډل د layer په څیر دی). د ماډل نښلول لپاره یو عام کارونه ده . For example, here's how to ensemble a set of models into a single model that averages their predictions: د مجموعې 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) د پیچلي graph topologies manipulate د څو inputs او outputs سره ماډلونه د فعالیت API په اسانۍ سره د ډیرو انډولونو او انډولونو په کارولو سره مرسته کوي. دا د د آتشې Sequential د مثال په توګه، که تاسو د مشتریانو د نندارتون ټکټونو د ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو ترټولو د ټکټ نوم (کتاب داخل) د ټکټ ټکټ ټکټ ټکټ ټکټ ټکټ ټکټ ټکټ ټکټ ټکټ ټکټ ټکټ ټکټ ټکټ ټکټ ټکټ any tags added by the user (categorical input) دا ماډل به د دوو پایلو لري: د 0 او 1 (scalar sigmoid output)، او د وزارت چې باید د ټکټ په کارولو (softmax د برخو په اړه د محصول). تاسو کولی شئ د دې ماډل سره د فعالیت API په ځينو کرښو کې جوړ کړئ: 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], ) اوس د نمونوي ترتیب کړئ: keras.utils.plot_model(model, "multi_input_and_output_model.png", show_shapes=True) کله چې دا ماډل رامینځته کړئ، تاسو کولی شئ د هر پای ته مختلف کڅوړې ورکړئ. تاسو کولی شئ حتی د هر کڅوړې لپاره مختلف کڅوړې ورکړئ - ترڅو د مجموعي روزنې کڅوړې ته د دوی د اړتیاوو د تعدیل کولو لپاره. 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], ) لکه څنګه چې د صادراتو کچه د مختلفو نومونه لري، تاسو کولی شئ د کڅوړې او کڅوړې وزنونه د اړونده کڅوړې نومونو سره هم مشخص کړئ: 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}, ) د نمونوي لپاره د NumPy انټرنېټونو او هدفونو لستونو ته ورسیږي: # 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 کله چې د A سره د FIT په تماس کې Object، دا باید د لیستونو په څیر یو tuple تولید کړي لکه یا د ډیجیټل لغات لکه . 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}) د تفصيلاتو لپاره، د د لارښود د روزنې او ارزیابی د Toy ResNet نمونوي د ډیری انډولونو او صادراتو سره د ماډلونو سربیره، د فعالیت API په اسانۍ سره د غیر لاینری کنکشن ټاپولوژونو په کارولو سره آسانوي - دا ماډلونه دي چې کټګوریو نه لري چې sequentially سره اړیکه ونیسئ، چې د API cannot handle. Sequential د دې لپاره یو عمده کارونه شتونونه شتونونه دي. د CIFAR10 لپاره د Toy ResNet ماډل جوړ کړئ ترڅو دا ډیزاین کړئ: 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) __________________________________________________________________________________________________ د نمونوي ترتیب کړئ: keras.utils.plot_model(model, "mini_resnet.png", show_shapes=True) اوس د ماډل د ټرانسپورټ: (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 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 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. د TensorFlow