Paglalarawan ng Content 
 
 
 
 
 
 
 Sino ang dapat gamitin ng Keras Mga pahinang tumuturo Mga Layer mga modelo Mga APIs at mga Tool ang next steps Ito ay ang high-level API ng TensorFlow platform. Nagbibigay ito ng isang malakas na, mataas na productive interface para sa solusyon ng machine learning (ML) mga problema, na may pangunahing focus sa modernong deep learning. Keras ay naglalaman ng lahat ng step ng workflow ng machine learning, mula sa pagproseso ng data hanggang sa hyperparameter tuning sa pag-implementasyon. Ito ay binuo sa isang pangunahing focus sa pagkakaroon ng mabilis na eksperimento. Mga Keras Sa Keras, mayroon ka ng buong access sa scalability at cross-platform na kapangyarihan ng TensorFlow. Maaari mong i-execute ang Keras sa isang TPU Pod o malaking mga clusters ng GPU, at maaari mong i-export ang mga modelo ng Keras upang i-execute sa browser o sa mga mobile na aparato. Maaari ka ring i-serve ang mga modelo ng Keras sa pamamagitan ng isang web API. Ang Keras ay dinisenyo upang mabawasan ang kognitif na load sa pamamagitan ng pagganap ng mga sumusunod na mga target: 
 
 
 
 
 
 Nag-aalok ng simple, consistent na mga interface. Minimize ang bilang ng mga aksyon na kinakailangan para sa common use cases. Magbigay ng clear, actionable error messages. Panatilihin ang pagpapatala para sa isang minimum na dalawang magkasunod na semestre. Maaari mong i-writing ang isang simpleng, narinig na code. Sino ang dapat gamitin ng Keras Ang short answer ay na ang lahat ng mga gumagamit ng TensorFlow ay dapat gamitin ang Keras APIs sa default. Kung ikaw ay isang engineer, isang mananaliksik, o isang ML practitioner, dapat mong simulan sa Keras. May ilang mga kaso ng paggamit (halimbawa, bumuo ng mga tool sa itaas ng TensorFlow o bumuo ng iyong sarili na high-performance platform) na nangangailangan ng low-level Pero kung ang iyong kaso ng paggamit ay hindi tumutulong sa isa sa mga Kailangan mo ng preference ang mga keras. Mga pahinang tumuturo sa tensorflow Mga aplikasyon ng API Mga pahinang tumuturo Ang mga core data structures ng Keras ay at ang Ang isang layer ay isang simpleng input / output transformation, at isang modelo ay isang directed acyclic graph (DAG) ng mga layers. mga layers Mga Modelo Mga Layer ang Ang klase ay ang pangunahing abstraksiyon sa Keras. Magbigay ng inspirasyon sa kontemporaryong designer ay maaaring gumawa ng kahit ano, kahit ano, at ang New Year - ay walang exception. ang metriko para sa tf.keras.layers.Layer Layer tf.keras.layers.Layer.call Ang mga layer ay recursively composable: Kung ibinigay mo ang isang layer instance bilang isang atributo ng isang iba't ibang layer, ang outer layer ay magsimula sa pag-tracking ang mga timbang na ginawa ng internal layer. Maaari kang gamitin ang mga layer upang i-manage ang mga task ng preprocessing ng data tulad ng normalization at text vectorization. Ang mga layer ng preprocessing ay maaaring i-incorporate nang direkta sa isang modelo, sa panahon o pagkatapos ng pag-training, na nagbibigay ng modelo na portable. mga modelo Ang isang modelo ay isang bagay na grupo ng mga layer kasama at na maaaring i-trained sa data. Ang pinaka simpleng modelo ay ang Para sa karagdagang mga architecture, maaari mong gamitin ang Keras functional API, na nagbibigay-daan sa iyo upang bumuo ng arbitrary na mga graphs ng mga layers, o gamitin ang subclassing upang i-writing ang mga modelo mula sa zero. Sequential ang Ang klase ay naglalaman ng mga built-in training at evaluation methods: tf.keras.Model 
 
 
 
 tf.keras.Model.fit: I-train ang modelo para sa isang fixed number of epochs. tf.keras.Model.predict: Gamitin ang output predictions para sa input samples. tf.keras.Model.evaluate: Ibalik ang mga halaga ng loss at metrics para sa modelo; na-configure sa pamamagitan ng tf.keras.Model.compile method. Ang mga metriko na ito ay nagbibigay sa iyo ng access sa mga sumusunod na built-in training features: 
 
 
 
 Pag-callbacks. Maaari mong gamitin ang mga built-in callbacks para sa early stop, model checkpointing, at TensorBoard monitoring. Maaari mo rin i-implementate ang mga custom callbacks. Distributed training. Maaari mong madaling i-scale ang iyong training sa maraming GPU, TPU, o mga device. Sa pamamagitan ng argumento ng steps_per_execution sa tf.keras.Model.compile, maaari mong pagproseso ng higit sa isang batch sa isang single tf.function call, na nagbibigay-daan ng mas mahusay na paggamit ng device sa TPUs. Para sa isang detalyadong review ng kung paano gamitin Magbigay ng inspirasyon sa kontemporaryong designer ay maaaring gumawa ng kahit ano, kahit ano, at ang New Year - ay walang exception. . fit fit() Mga APIs at mga Tool Keras ay nagbibigay ng maraming iba pang mga API at mga tool para sa deep learning, kabilang ang: 
 
 
 
 
 ang optimismo ang metriko ang losses Mga Data Loading Utilities Para sa isang buong listahan ng mga available APIs, tingnan ang Para sa karagdagang impormasyon tungkol sa iba pang mga proyekto at mga inisiasyon ng Keras, tingnan ang . Mga pahinang tumuturo Tungkol sa Ecosystem ang next steps Upang magsimula ang paggamit ng Keras sa TensorFlow, tingnan ang mga sumusunod na mga tema: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 ang sequential model Ang mga functional API Training & Evaluation sa pamamagitan ng mga built-in methods Paggawa ng mga bagong layers at mga modelo sa pamamagitan ng subclassing Seryalization at pag-save Paggawa ng preprocessing layers I-customize ang kung ano ang nangyari sa fit() Gumawa ng isang training loop mula sa zero Magtrabaho sa RNNs Mga pahinang tumuturo sa masking & padding I-writing ang iyong mga callback Pag-aaral ng pag-aaral at fine-tuning Multi-GPU at Distributed Training Upang malaman ang higit pa tungkol sa Keras, tingnan ang mga sumusunod na mga tema sa : Ikaw ang 
 
 
 
 
 
 Tungkol sa Keras Introduction sa Keras para sa mga engineer Introduction sa Keras para sa mga mananaliksik Mga pahinang tumuturo Tungkol sa Ecosystem 
 
 Nai-publish sa website ng TensorFlow, ang artikulong ito ay ipinapakita dito sa ilalim ng isang bagong headline at ay may lisensya sa ilalim ng CC BY 4.0. Nai-publish sa website ng TensorFlow, ang artikulong ito ay ipinapakita dito sa ilalim ng isang bagong headline at ay may lisensya sa ilalim ng CC BY 4.0. Mga TensorFlow Mga TensorFlow

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

Ang audio na ito ay ginawa sa orihinal na wika ng kuwento!

Keras 101: A Beginner-Friendly Guide sa Pagbuo ng Neural Networks

About Author

MGA KOMENTO

HANG TAGS

ANG ARTIKULONG ITO AY IPINAKITA SA

Related Stories

State of the Noonion: The Year of Profitability and Product Renaissance

Encrypted Instant Messaging Recommendations January 2017

Hosting a DNS domain on the blockchain

COVID-19: We Need More Than Data, We Need Insights!

State of the Noonion: The Year of Profitability and Product Renaissance

Encrypted Instant Messaging Recommendations January 2017

Hosting a DNS domain on the blockchain

COVID-19: We Need More Than Data, We Need Insights!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps