Difícil

Entre los complementos más efectivos y fáciles de usar para crear algoritmos de aprendizaje profundo se encuentra un marco neuronal artificial elevado basado en Python llamado Keras, que se construiría sobre marcos de aprendizaje profundo conocidos como TensorFlow o CNTK. Para permitir una exploración más rápida utilizando redes neuronales más profundas, está diseñado fácil de usar, extensible y adaptable. Maneja las redes Feedforward y Retractable por separado, así como en combinación. Utiliza el paquete Backend para abordar operaciones pequeñas porque no puede administrarlas. En esta lección se tratará la implementación de Keras, los fundamentos del aprendizaje profundo, las estructuras de Keras, las capas de Keras, los paquetes de Keras y la programación en tiempo real.

Configurar Keras en Linux

Paso 01: Sistema de actualización

Antes de tener la demostración completa del uso de la biblioteca 'Keras' de Python, tenemos que actualizar completamente nuestra máquina Linux para facilitar futuras instalaciones. Para ello, tenemos que abrir rápidamente la aplicación “consola” desde las aplicaciones integradas del sistema. Dentro del área de consulta particular, hemos agregado la consulta “update” de Linux con la utilidad “apt” y privilegio “sudo” para actualizar rápidamente el sistema que tenemos. Ha requerido nuestra contraseña de usuario para continuar este proceso para que nuestro sistema pueda actualizarse correctamente.

Paso 02: Instala Python y Pip

Para el uso de Deep Learning a través de Keras y TensorFlow, debemos tener configurada la última versión de Python en nuestra máquina. Por lo tanto, comenzamos a instalar el paquete actualizado de Python junto con su utilidad 'pip' necesaria en nuestro sistema. Para eso, debemos utilizar nuevamente la utilidad 'apt' del sistema Linux Ubuntu 20.04 en la consulta 'instalar' en el shell seguida de los nombres de los paquetes que se instalarán, es decir, Python3 y Python3-pip. Al ejecutar esta simple consulta en el área de la consola, el sistema comenzará a instalar y configurar ambos paquetes en nuestro sistema.

Por otro lado, si su sistema tiene instalada una versión anterior de la utilidad 'pip' para Python, debe actualizarla antes de continuar.

Después de la configuración exitosa de Python y su utilidad 'pip', es hora de actualizar las herramientas de configuración para Python para evitar problemas en un futuro cercano. Por lo tanto, hemos probado la consulta de instalación con la utilidad 'pip3' y la opción de actualización para instalar la actualización de las herramientas de configuración, es decir, las herramientas de configuración. Nos pide la contraseña actual que tenemos para nuestro sistema, y ​​la hemos añadido.

Paso 03: Instalar TensorFlow

Para crear modelos neuronales supervisados ​​y de aprendizaje automático, TensorFlow es el paquete de matemáticas simbólicas más conocido. Después de pasar por las instalaciones, hemos estado ejecutando la misma consulta de instalación 'pip3' seguida del nombre del paquete 'Tensorflow'.

Se requiere que otras utilidades relacionadas con TensorFlow estén completamente instaladas en el sistema. Esas utilidades se instalarán junto con TensorFlow y pueden demorar hasta 10 minutos o más.

Paso 04: Instalar paquetes esenciales

Después de la fructífera configuración de TensorFlow en el sistema Ubuntu 20.04, también necesitamos configurar algunos paquetes de compilación junto con otras utilidades como 'git' y 'cmake'. Al probar la misma herramienta 'apt', hemos instalado muchos de los paquetes necesarios, como se muestra a continuación:

Este paso está tomando nuestra mayor atención al confirmar esta instalación. Toque 'y' y continúe.

Paso 05: Crear entorno virtual

Después de las instalaciones necesarias, es hora de crear un entorno virtual. Por lo tanto, tenemos que usar la utilidad Python3 con la opción “-m” para crear el entorno virtual “kerasenv” a través de la variable “venv”. La consulta 'ls' muestra que se ha creado el entorno.

Ahora, debemos movernos dentro del entorno virtual de la carpeta Keras. Entonces, hemos estado usando la instrucción 'cd' junto con el nombre de una carpeta de entorno virtual. Después de eso, nos hemos estado moviendo dentro de la carpeta 'bin' de este entorno virtual y enumeramos su sub. Para activar este entorno de Python, probamos la instrucción 'fuente' en su área de consulta junto con el archivo 'activar'. El entorno virtual se activa con el nombre 'kerasenv'.

Paso 06: instalar bibliotecas de Python

Después de configurar correctamente el entorno virtual de Python, debe instalar todas las bibliotecas de Python necesarias antes de la instalación de Keras. Por lo tanto, hemos estado instalando la biblioteca de panda primero en el mismo entorno virtual utilizando el paquete 'pip' de Python.

El sistema comenzará a configurarlo dentro del entorno virtual de Python, como se muestra en la imagen:

Después de instalar la biblioteca de pandas, intente instalar la biblioteca NumPy usando el siguiente método:

De manera muy similar, instale la biblioteca scipy de Python en el mismo entorno.

Ahora, instale la biblioteca matplotlib de Python en el entorno.

Python utiliza algoritmos de agrupación y regresión en el aprendizaje automático para realizar modelos de redes neuronales. Para ello cuenta con la librería de aprendizaje sci-kit que estamos instalando con la utilidad “pip” junto con la opción “-u” para configurar también los paquetes requeridos.

El proceso de instalación de la biblioteca scikit se muestra a continuación:

Para la visualización en aprendizaje profundo, necesitamos que esté instalada la biblioteca Seaborn de Python. Por lo tanto, lo hemos estado instalando en el mismo entorno con la consulta 'instalar'.

Paso 07: instalar la biblioteca Keras

Después de la instalación de todas las bibliotecas de requisitos previos necesarios de Python, finalmente podemos instalar Keras dentro del entorno virtual de Python. La utilidad 'pip' se utilizará para este propósito dentro de nuestra consulta de 'instalación' con el nombre del módulo, es decir, 'Keras'. Si el sistema muestra que su requisito ya está satisfecho, significa que ya está instalado y configurado.

Si aún no está instalado, esta consulta comenzará a descargarlo y configurarlo en el entorno virtual sin demora de un segundo y se mostrará el procesamiento, como se muestra a continuación:

Después de la configuración e instalación completas de la biblioteca 'Keras' en el entorno virtual, es hora de mostrar la información completa al respecto en el shell a través de la consulta 'pip show'. La ejecución de esta consulta “show” ha ido presentando la versión de Keras instalada en nuestro entorno virtual de Python, su nombre, su resumen, su web home, autor, email del autor, licencia, ubicación que ocupa en nuestro sistema, y ​​muchos más. más como se presenta a continuación:

Después de las mejores instalaciones de las bibliotecas Keras y TensorFlow de Python, debemos salir del entorno virtual. Para eso, intente la consulta 'desactivar' en el shell y salga.

Paso 08: Instalar Anaconda Cloud

Python tiene una nube llamada 'Anaconda' que es necesaria para construir ejemplos de redes neuronales en Python. Por lo tanto, hemos descargado su archivo de ejecución a nuestro sistema.

Este archivo ha estado residiendo en la carpeta de inicio actual de la máquina Linux según la consulta 'ls'. Primero debe asegurarse de que sea una suma de verificación, es decir, si es completamente correcta o no a través de la consulta sha256sum.

Después de eso, necesitamos instalar el archivo Bash descargado de anaconda en nuestro sistema usando la instrucción 'Bash' y el nombre del archivo en la misma consola. Nos ha estado pidiendo que revisemos el acuerdo de licencia antes de la instalación. Entonces, tocamos 'Enter' para continuar.

Después de pasar por su acuerdo de licencia, nos pide que toquemos 'sí' si estamos de acuerdo con los términos. Tienes que presionar Enter para continuar instalándolo en el mismo lugar o escribir la ruta al directorio donde deseas instalarlo. De lo contrario, use 'Ctrl-c' para cancelar la instalación.

Se mostrará la larga lista de paquetes que se instalarán en este proceso. Después de la ejecución de algunas transacciones, comenzará a instalar los paquetes.

Después de un tiempo, la anaconda se instaló con éxito con sus paquetes adicionales.

Debe ejecutar el archivo 'activar' desde la carpeta anaconda a través de la consulta 'fuente' como raíz.

Intente iniciar el navegador anaconda empleando la siguiente consulta.

Para crear y trabajar en el nuevo entorno conda, pruebe la instrucción 'crear conda' con la opción de nombre seguida del nombre del nuevo entorno, es decir, PyCPU.

Este proceso requiere nuestra confirmación sobre la creación del nuevo entorno. Toca 'y'.

Para activar y ejecutar el entorno conda recién creado, use la consulta 'activar conda' con el nombre de su nuevo entorno, es decir, el entorno PyCPU ahora está activado.

Paso 09: Instale el IDE de Spyder

El IDE de Spyder debe instalarse dentro de este entorno para la ejecución de programas de Python. Para esto, hemos probado la consulta de instalación de conda en el shell del entorno PyCPU con la palabra clave 'spyder'.

Toque 'y' para continuar con la instalación de Spyder.

Paso 10: Instale la biblioteca de Pandas y Keras

Después de la instalación de Spyder, instale la biblioteca de Python de panda en un entorno de anaconda utilizando la consulta de instalación de conda con la opción -c.

Nuevamente, presione el botón 'y' para continuar.

Después de la configuración exitosa de pandas, instale la biblioteca Keras con la misma consulta.

Continúe después de hacer clic en el botón 'y'.

Puede iniciar Spyder IDE dentro de la consola del entorno actual de anaconda de la siguiente manera:

El IDE de Spyder se ha estado preparando para su lanzamiento.

La carpeta oculta “.keras” se ha ubicado en el directorio de inicio. Muéstrelo y abra su archivo 'keras.json' para agregarle las siguientes configuraciones.

Configurar Keras y TensorFlow en Windows

Para configurar Keras y TensorFlow en un entorno de Windows, debe asegurarse de que el lenguaje Python junto con su biblioteca 'pip' y Anaconda Navigator ya estén configurados en él. Después de configurarlo, debe abrirlo desde su área de búsqueda y moverse dentro de la pestaña 'entornos'. En esta pestaña, encontrará el nombre del entorno en el que está trabajando actualmente, es decir, base. En el área de abajo, encontrará la siguiente pestaña. Toque la opción 'crear'.

Aquí, debe crear un nuevo nombre de entorno 'TensorFlow', es decir, actualmente se encuentra dentro del entorno base. Seleccione la última versión de Python que se utilizará y toque el botón 'Crear' para continuar.

Verá que el entorno ha comenzado a cargarse.

Después de un tiempo, el entorno de TensorFlow se instala por completo.

Desde su área más a la izquierda, puede ver todas las bibliotecas y módulos instalados y disponibles para Python, como se presenta a continuación:

Ahora, necesitamos instalar la biblioteca de back-end TensorFlow de Python usando esta área. En la barra de búsqueda, escriba 'TensorFlow' y marque el mismo paquete de casos de la lista que se muestra para instalarlo. Toque el botón 'Aplicar' para continuar con la instalación de TensorFlow junto con sus submódulos como 'Keras'.

Ha comenzado a funcionar y configurar TensorFlow en nuestro entorno Anaconda.

Durante la instalación, mostrará la lista de subpaquetes que se instalarán en el entorno de Anaconda. Toque el botón 'Aplicar' y espere un momento hasta que haya terminado.

Después de un tiempo, encontrará todos los paquetes instalados en la misma área de módulos. Puede ver que la biblioteca Keras se ha instalado con otros paquetes y no tenemos que instalarla ahora.

En la barra de búsqueda de Windows, busque la palabra clave 'Jupyter'. La aplicación llamada “Jupyter Notebook (TensorFlow)” se mostraría junto con otras. Tóquelo para iniciar jupyter Notebook con el backend TensorFlow habilitado. Cree un nuevo archivo de Python y comience a trabajar.

Aprendizaje profundo vía duro

El aprendizaje profundo incluye un análisis capa por capa de la entrada, con cada capa extrayendo gradualmente detalles de nivel avanzado de la entrada. Keras proporciona un marco completo para formar cualquier tipo de red neuronal. Tanto creativo como increíblemente simple de entender, Keras. Permite modelos de redes neuronales que van desde los más ingenuos hasta los complejos más grandes y supremos.

Red neuronal artificial (ANN)

La metodología de “Redes Neuronales Artificiales” (ANN) parece ser el método más utilizado y fundamental de aprendizaje profundo. Toman sus señales de la mente humana, el componente natural más complicado de nuestro cuerpo, que sirve como modelo. Más de 90 mil millones de células microscópicas llamadas 'neuronas' componen el cerebro de un individuo. Los axones y las dendritas son tipos de fibras nerviosas que unen las neuronas entre sí. La función principal de un axón es enviar datos de una neurona conectada a la siguiente. Para obtener más información, busque en el motor de búsqueda de Google.

Arquitectura Keras

La arquitectura de la API de Keras se ha clasificado en tres partes principales que se enumeran a continuación. Tomemos un disfraz en cada uno claramente.

• Modelo
• Capa
• Módulos centrales

modelo duro

El modelo Keras consta exactamente de dos tipos, es decir, API secuencial y funcional.

modelo secuencial

Fundamentalmente, un modelo secuencial es una compilación cronológica de Keras Layers. El modelo secuencial simple y simplista puede describir casi todas las redes neuronales que están actualmente en uso. Se puede hacer un modelo personalizado usando la clase Model que revela el modelo secuencial. El enfoque de subclasificación se puede utilizar para construir un modelo propio sofisticado. A continuación se presenta la demostración del modelo secuencial.

Agregar capas

El script se ha iniciado desde la importación del modo secuencial a través de keras.models y la otra línea ha estado creando un modelo secuencial. Después de eso, importar la capa densa crea una capa de entrada y agrega una capa de entrada a un modelo. La capa densa oculta se ha creado y agregado al modelo y se ha realizado lo mismo para la capa densa de salida.

Accede al Modelo

Puede obtener información sobre las capas de su modelo, los datos de entrada que ha estado utilizando y sus datos de salida. La función model.layers le permite acceder a todas las capas. model.inputs mostraría tensores de entrada y model.output mostraría tensores de salida.

Serializar el modelo

Es fácil devolver el modelo utilizado en el script como un objeto o JSON. Por ejemplo, la función get_config() genera el modelo como una entidad/objeto. La función from_config() crea un nuevo modelo utilizando el objeto como un valor paramétrico.

También puede cambiar su modelo a JSON usando la función to_json().

Resumen Modelo

Para obtener el resumen completo de las capas utilizadas en el modelo junto con información adicional, llame a la función summary().

Entrenar y predecir el modelo

Para entrenar y predecir, deberíamos usar la función de compilación, la función de ajuste, la función de evaluación y la función de predicción en este sentido.

capas duras

Cada capa de entrada, oculta y de rendimiento en el modelo sugerido de redes neuronales corresponde a una capa Keras diferente en el modelo real. Cualquier red neuronal sofisticada se puede desarrollar rápidamente utilizando muchas capas preconstruidas de la biblioteca Keras. Hay diferentes capas de Keras que tenemos, es decir, capas centrales, capas de agrupación, capas recurrentes y capas de convolución. Puedes estudiarlos buscando en la web. Las dos primeras líneas han estado importando el modo secuencial, denso, activación y capa de abandono.

Hemos estado probando la API Sequential() para crear un modelo secuencial de abandono. Al descartar el modelo de activación 'relu', hemos estado creando una capa densa a través de la API 'Densa'. Para atender el ajuste excesivo de la capa densa, hemos estado utilizando la API Dropout(), es decir, la eliminación de capas a través de la función dropout(). Después de esto, hemos estado usando una capa más densa aquí con el modelo de activación 'relu'. Para manejar las capas densas del ajuste excesivo, tenemos que hacer uso de las capas Dropout. Al final, hemos ido desmontando nuestras capas densas finales utilizando el modelo de activación tipo “softmax”.

¿Alguna vez has realizado capas mientras cocinas? Si es así, entonces este concepto no sería difícil de entender para ti. El resultado de un nivel servirá como datos de entrada para la capa siguiente. Estos son los elementos básicos necesarios para crear una capa completamente nueva:

• Forma de datos de entrada
• Total de neuronas/unidades en una capa
• Inicializadores
• Regularizadores
• Restricciones
• Activaciones

Forma de datos de entrada

Dentro del lenguaje Python, cada tipo de entrada se convirtió en una matriz de números enteros y luego se agregó al modelo de algoritmo. Dentro de Python, necesitamos especificar la forma de entrada para obtener la salida según nuestro requisito. En los siguientes ejemplos, hemos especificado la forma de entrada (3,3), es decir, 3 filas y 3 columnas. La salida ha estado mostrando la matriz.

Inicializadores

El módulo de inicializadores de Keras Layers nos proporciona muchas funciones para especificar un peso específico para los datos de entrada. Por ejemplo, la función zeros() especifica 0 para todos, the ones() especificaría para todos, y la función constant() especificará un valor constante específico agregado por un usuario para todos y más. Para una mejor comprensión, hemos utilizado la función Identity() para generar una matriz de identidad. El resto de funciones se pueden buscar también desde el buscador.

Restricciones

Hay diferentes funciones de restricción disponibles para aplicar restricciones en el parámetro de 'peso' de la capa, es decir, no negativo, norma unitaria, norma máxima, norma mínima y máxima, y ​​muchas más. En la siguiente ilustración, hemos aplicado la norma de restricción menor o igual que el peso. El parámetro 'max_value' es el límite superior de la restricción que se aplicará y el eje es la dimensión en la que se aplicaría la restricción, es decir, la dimensión 1.

Regularizadores

A lo largo de la optimización, impone varios cargos en la propiedad de la capa. También se le ocurrieron algunas funciones para hacerlo, es decir, regularizador L1, regularizador L2 y regularizador 'LI y L2'. Aquí está la ilustración más simple de la función de regularizador L1:

Activaciones

Se emplea una función única llamada función de activación para determinar si una neurona en particular está activa o no. La función de activación transforma los datos entrantes de manera compleja, lo que ayuda a las neuronas a estudiar de manera más efectiva. Aquí hay varios métodos de activación presentados en los ejemplos proporcionados a continuación:

Módulos duros

Como sabemos, los módulos de programación generalmente contienen funciones, clases y variables para ser utilizados para propósitos diferentes y específicos. Así de simple, la biblioteca Keras de Python contiene muchos módulos. Puede obtener todo el conocimiento necesario sobre los módulos de Keras desde la web.

back-end

Uno de sus módulos más conocidos y utilizados es el módulo 'Backend' que ha sido diseñado para usar las bibliotecas backend de Python como TensorFlow y Theano. Con el módulo de back-end, podemos utilizar tantas funciones de back-end como sea posible desde la biblioteca de TensorFlow y Theano. Para usar el módulo de la biblioteca de back-end, debemos especificar la biblioteca de back-end que se usará en el archivo de configuración 'keras.json', que hemos creado en la carpeta oculta .keras. De manera predeterminada, el backend se especificó como 'TensorFlow', pero también puede cambiarlo a otro, es decir, Theano o CNTK.

Dentro de nuestro ejemplo, usaremos la biblioteca TensorFlow como backend. Para cargar las configuraciones del backend desde el archivo keras.json de la carpeta raíz “keras”, usa:

• desde keras importar backend como k

Después de importar con éxito el backend desde el archivo keras.json, es hora de obtener la información del backend usando la variable 'k' con la variable que se buscará. Primero, hemos estado obteniendo el nombre de un backend que hemos estado usando y que ya importamos usando la función 'backend()'. Devuelve el 'Tensorflow' como su valor de fondo. Para obtener el valor flotante del backend, hemos estado llamando a la función floatx() a través del objeto variable 'k' de Keras. Está mostrando que hemos estado usando el valor float32.

Para obtener el formato de los datos de la imagen, utilice la función image_Data_format() con la variable 'k'. Al usarlo, muestra que nuestro backend ha estado utilizando el formato de datos de imagen 'channels_last'. Para obtener la potencia del exponente para el backend, llame a la función epsilon() con la variable 'k'. Devuelve que el backend utilizará la potencia exponencial de '07'. Eso es todo acerca de la obtención de información de back-end.

Función Get_uid()

Es hora de echar un vistazo a algunas funciones de back-end de TensorFlow para comprender su funcionalidad. Una de sus funciones de backend más utilizadas es la función get_uid() que se utiliza para identificar el gráfico predeterminado que hemos estado usando. Usarlo con el parámetro prefix=’’ devolvería “1”, es decir, según el uso. Nuevamente, usarlo devolvería '2' como lo hemos estado llamando nuevamente y el valor del gráfico se ha incrementado. Después de usar la función 'reset_uids', el valor de ID de usuario del gráfico se restablecería a 0. Por lo tanto, usar la función get_uid() una vez más lo incrementaría en 1.

Función de marcador de posición ()

El tensor ha estado usando la función de marcador de posición () para contener diferentes formas dimensionales en él. Por ejemplo, en la siguiente ilustración, la hemos estado usando para mantener la imagen 3D en tensor a través de la variable Keras 'k' y guardarla en otra variable 'd'. La salida de la variable 'd' muestra las propiedades de una forma utilizada dentro del marcador de posición.

La función “int_shape()” se utiliza para mostrar la forma de un valor guardado en el marcador de posición “d”.

Función Punto()

¿Alguna vez has multiplicado dos vectores? Si es así, no será difícil para ti multiplicar dos tensores. Para esto, la biblioteca de back-end creó la función 'punto'. Primero, para contener las dos formas diferentes, hemos estado usando los valores de forma en la función de marcador de posición () en las primeras 2 líneas para crear dos contenedores 'x' e 'y'. La función dot() ha estado tomando los contenedores 'x' e 'y' para multiplicar ambos tensores y guardar el resultado en otra variable 'z'. Al utilizar el tensor “z” para la impresión, mostraba en pantalla la forma del tensor resultante multiplicado (1, 5).

Función Unos()

La función ones() del módulo backend es conocida por inicializar todos los valores de una forma particular a 1. Por ejemplo, hemos estado usando la función ones() en la forma del tensor (3,3) y guardando el resultado en la variable 'v'. La función eval() se elimina aquí para evaluar el valor de una variable 'v' y mostrarla en el entorno de Python. A cambio, ha convertido la forma (3,3) en una matriz de arreglo de todos los que tienen el tipo de datos float32.

Función Batch_dot()

El lote de tensor especificaría el total de muestras para ordenar antes de actualizar un modelo. La función batch_dot() del backend de TensorFlow se usa principalmente para averiguar el resultado de la multiplicación de dos datos de lotes diferentes. Por lo tanto, hemos creado dos variables de tensor v1 y v2 y usamos la función Input() para guardarlas en v1 y v2 como entrada. Después de eso, hemos estado probando la función batch_dot() en ambas variables de tensor, v1 y v2, y el valor resultante se guardaría en otra variable 'v3'. Al imprimir la variable v3, encontramos la forma resultante (2,2) a cambio.

función variable

Si alguna vez ha trabajado en cualquier otro idioma, es posible que haya inicializado muchas variables con la palabra clave 'var' o sin ella. Muchas veces, es posible que haya inicializado las variables con sus tipos de datos, como entero, cadena o carácter. Dentro de la biblioteca de Python Keras, podemos crear cualquier variable utilizando la función variable() en algunos datos de tensor en forma de muestras.

Dentro de la siguiente imagen, hemos creado una variable 'd' agregando los datos de la lista de muestra dos en una función variable () con el objeto Keras 'k'. Después de agregar esta variable, llamamos a la función transpose() en esta variable 'd' para averiguar la transposición de una muestra de datos dentro de ella a través del objeto Keras 'k'. La transposición resultante se guardaría en una variable 'val'. La declaración de impresión del lenguaje Python se ha utilizado aquí para imprimir el valor de la variable resultante 'val'. La declaración de impresión ha estado mostrando la elección de la función que hemos aplicado a la variable 'd' y el número total de elementos en cada lista.

Después de esto, probamos la función 'eval' en la variable 'val' para obtener la transposición de las muestras agregadas a la variable 'd' y la función de impresión la mostraba. Puede ver la transposición de dos listas en la salida.

La ilustración del código anterior se logró mediante el uso de funciones simples de Python sin importar ninguna biblioteca de Python en particular. La 'transposición' de dos conjuntos de datos se puede encontrar utilizando las matrices NumPy. Para esto, necesitamos importar la biblioteca NumPy como 'n' al principio. El formato básico es el mismo, pero necesitamos inicializar el conjunto de datos de forma con la palabra clave 'matriz' en lugar de usar la palabra clave 'variable'. La matriz NumPy de muestra debe mantenerse en la variable 'd'. El mismo objeto NumPy 'n' se usa para llamar a la función transpose() en la variable 'd' y guardar su resultado en la variable 'val'.

La declaración de impresión ha estado llamando a la variable 'val' para mostrar su tensor de transposición. Puede ver, para mostrar el valor transpuesto resultante de la variable 'val', no necesitamos la función 'eval' aquí. Ahora, hemos usado la función variable con el argumento 'd' y guardado el resultado en la variable 'z'. Después de probar la declaración de impresión agregando el valor de argumento 'z', mostró la salida en el mismo formato anterior que probamos en el ejemplo de variable anterior.

Función Is_sparse()

La palabra 'disperso' en tensor se usa para un tensor disperso que contiene entradas con ceros en su mayoría. Dentro de este ejemplo, usaremos la función is_sparse() del módulo backend para verificar si el tensor tiene la mayoría de los ceros o no.

Primero, hemos estado llamando a la función placeholder() para mantener la forma del tensor (3,3) junto con el argumento Sparse establecido en verdadero. Este valor de marcador de posición se mantendría en la 'x' mutable y se mostraría. La salida ha estado mostrando la información sobre la variable de marcador de posición 'x'.

Por ejemplo, se le aplica su tipo de datos, forma y función. Después de esto, probamos la declaración de impresión una vez más llamando a la función is_Sparse() en ella. Esta función ha estado tomando la variable 'x' como su argumento para mostrar si el tensor 'x' es escaso o no. La salida muestra 'verdadero'.

Función To_dense()

Se dice que el tensor denso es el que utilizó el bloque cronológico de memoria para almacenar la información de manera adyacente y representar los valores de la información también. La función “to_dense()” del módulo backend nos permite convertir el tensor disperso en un tensor denso. Por lo tanto, estamos tomando la misma función de marcador de posición para agregar el tensor a la variable 'x' y este tensor se ha establecido en 'escaso'.

La función “to_dense()” se aplica a la variable del tensor denso “x”, es decir, para convertirla a un tensor denso y guardarla en otra variable “res”. Ahora bien, la “res” es un tensor denso en sí mismo. La declaración de impresión se ha desechado para imprimir la variable 'res'. El uso de declaraciones de impresión para la variable 'res' mostró la información con respecto a la variable convertida 'res', es decir, convertida con éxito de escasa a densa y mucho más.

Luego, se llama a otra función de impresión usando la función is_sparse() para verificar si la variable 'res' es escasa o no. El resultado ha mostrado que la variable 'res' no es dispersa, es decir, ya que la hemos convertido en un tensor 'denso'.

Función Random_uniform_variable()

La función random_uniform_variable() en el módulo backend de Keras está diseñada específicamente para la inicialización de un tensor a través de la distribución uniforme. Se necesitan un total de tres argumentos. El primer argumento 'forma' se usa para definir las filas y columnas de la forma dentro de la forma de tupla. Si has hecho matemáticas, es posible que hayas aprendido el concepto de media y desviación estándar.

En el método random_uniform_variable(), los siguientes dos argumentos son la media y la desviación típica de una distribución uniforme. Dentro de esta ilustración, hemos inicializado dos tensores 'x' e 'y' usando la distribución uniforme estándar a través de la función random_uniform_variable(). Ambos tensores contienen diferentes formatos de forma, es decir, filas y columnas con la misma media y desviación estándar, es decir, bajo = 0 y alto = 1.

Después de esto, descartamos la función 'punto' tomando los tensores 'x' e 'y' para la multiplicación. El resultado de esta multiplicación se guardaría en la variable “z”. Al final, el int_shape() es imprescindible para mostrar la forma de un tensor resultante 'z'. La salida muestra el tensor (2,2).

Utiles

Si desea utilizar algunas de las funciones muy útiles del concepto de aprendizaje profundo de Python, debe utilizar el módulo utils de la biblioteca Keras en sus scripts. Por ejemplo, si desea mostrar sus datos en formato HDF5Matrix, debe importar la clase HDF5Matrix y usar su función HDF5Matrix en el script.

Función To_categorical()

Esta función le permite modificar un vector de clase en una matriz, es decir, una matriz de clase binaria. Digamos que hemos importado la función to_categorical() del módulo utils e inicializado un vector 'A'. El vector “A” ha sido pasado a la función to_categorical(). Se ha mostrado la matriz binaria para este vector de clase “A”.

función print_summary()

Para imprimir el resumen de un modelo que hemos estado desechando en nuestro entorno, se utilizó la función print_summary.

función plot_model()

La función plot_model() representa el modelo en formato de puntos y le permite guardarlo en un documento.

Conclusión

En resumen, podemos decir que el lenguaje Python es un lenguaje necesario para la era actual, ya que todo se está acelerando y la tecnología ha evolucionado a una velocidad increíble. A lo largo de esta guía de aprendizaje, hemos estado al tanto del uso de la biblioteca Keras de Python en aprendizaje profundo y redes neuronales artificiales. Para esto, también hemos analizado la importancia y el uso de su biblioteca de back-end 'TensorFlow' para obtener una comprensión clara. Además, hemos discutido y explicado todas las configuraciones necesarias para configurar el entorno Keras y Anaconda en Python dentro del sistema operativo Ubuntu 20.04 Linux. Después de esto, hemos discutido a fondo los modelos, capas y módulos de Keras uno por uno junto con sus funciones más utilizadas. Para ver la demostración del modelo de la API de funciones, consulte la documentación oficial.