Keras

Di antara Plugin yang paling efektif dan ramah pengguna untuk membangun algoritme pembelajaran mendalam adalah kerangka kerja saraf tiruan berbasis Python yang disebut Keras, yang akan dibangun di atas kerangka kerja pembelajaran mendalam yang terkenal seperti TensorFlow atau CNTK. Untuk mengaktifkan eksplorasi yang lebih cepat dengan memanfaatkan jaringan saraf yang lebih dalam, jaringan ini dirancang ramah pengguna, dapat diperluas, dan dapat disesuaikan. Ini menangani Jaringan Feedforward dan Retractable secara terpisah, serta dalam kombo. Ini menggunakan paket Backend untuk menangani operasi kecil karena tidak dapat mengelolanya. Penerapan Keras, dasar-dasar pembelajaran mendalam, struktur Keras, layering Keras, paket Keras, dan pemrograman waktu nyata akan dibahas dalam pelajaran ini.

Mengatur Keras di Linux

Langkah 01: Perbarui Sistem

Sebelum mendemonstrasikan penggunaan library “Keras” Python, kita harus memperbarui mesin Linux kita sepenuhnya untuk memudahkan instalasi lebih lanjut. Untuk tujuan ini, kita harus dengan cepat membuka aplikasi 'konsol' dari aplikasi bawaan sistem. Di dalam area kueri tertentu, kami telah menambahkan kueri 'pembaruan' Linux dengan utilitas 'apt' dan hak istimewa 'sudo' untuk memperbarui sistem yang kami miliki dengan cepat. Diperlukan kata sandi pengguna kami untuk melanjutkan proses ini sehingga sistem kami dapat diperbarui dengan benar.

Langkah 02: Instal Python dan Pip

Untuk penggunaan Deep Learning melalui Keras dan TensorFlow, kita harus mengonfigurasi versi terbaru Python di mesin kita. Oleh karena itu, kami mulai menginstal paket Python yang diperbarui bersama dengan utilitas 'pip' yang diperlukan di sistem kami. Untuk itu, kita harus kembali menggunakan utilitas “apt” dari sistem Linux Ubuntu 20.04 pada query “install” pada shell diikuti dengan nama paket yang akan diinstal, yaitu Python3 dan Python3-pip. Pada eksekusi kueri sederhana ini di area konsol, sistem akan mulai menginstal dan mengonfigurasi kedua paket di sistem kami.

Di sisi lain, jika sistem Anda memiliki versi lama dari utilitas 'pip' untuk Python yang diinstal, Anda harus memperbaruinya sebelum melanjutkan.

Setelah konfigurasi Python dan utilitas 'pip' berhasil, saatnya untuk meningkatkan Setuptools untuk Python untuk menghindari masalah dalam waktu dekat. Oleh karena itu, kami telah mencoba permintaan penginstalan dengan utilitas 'pip3' dan opsi –upgrade untuk menginstal upgrade Setuptools, yaitu, alat penyiapan. Ia meminta kata sandi saat ini yang kami miliki untuk sistem kami, dan kami telah menambahkannya.

Langkah 03: Instal TensorFlow

Untuk membangun pembelajaran mesin dan model saraf terawasi, TensorFlow adalah paket matematika simbolis yang paling terkenal. Setelah melalui penginstalan, kami telah menjalankan kueri penginstalan 'pip3' yang sama diikuti dengan nama paket 'Tensorflow'.

Utilitas terkait TensorFlow lainnya harus diinstal sepenuhnya pada sistem. Utilitas tersebut akan diinstal bersama dengan TensorFlow, dan mungkin perlu waktu hingga 10 menit atau lebih.

Langkah 04: Instal Paket Esensial

Setelah konfigurasi TensorFlow yang berhasil di sistem Ubuntu 20.04, kita juga perlu mengonfigurasi beberapa paket build bersama dengan beberapa utilitas lain seperti 'git' dan 'cmake'. Dengan mencoba alat 'apt' yang sama, kami telah menginstal banyak paket yang diperlukan, seperti yang ditunjukkan di bawah ini:

Langkah ini paling menarik perhatian kami dengan mengonfirmasi pemasangan ini. Ketuk 'y' dan lanjutkan.

Langkah 05: Buat Lingkungan Virtual

Setelah instalasi yang diperlukan, saatnya untuk membuat lingkungan virtual. Oleh karena itu, kita harus menggunakan utilitas Python3 dengan opsi “-m” untuk membuat lingkungan virtual “kerasenv” melalui variabel “venv”. Kueri 'ls' menunjukkan bahwa lingkungan dibuat.

Sekarang, kita perlu pindah ke dalam lingkungan virtual folder Keras. Jadi, kami telah menggunakan instruksi 'cd' bersama dengan nama folder lingkungan virtual. Setelah itu, kami telah pindah ke dalam folder 'bin' dari lingkungan virtual ini dan mendaftarkan subnya. Untuk mengaktifkan lingkungan Python ini, kami mencoba instruksi 'sumber' di area kuerinya bersama dengan file 'aktifkan'. Lingkungan Virtual diaktifkan dengan nama 'kerasenv'.

Langkah 06: Instal Perpustakaan Python

Setelah berhasil mengatur lingkungan virtual Python, Anda harus menginstal semua pustaka Python yang diperlukan sebelum menginstal Keras. Oleh karena itu, kami telah menginstal perpustakaan panda terlebih dahulu di lingkungan virtual yang sama menggunakan paket 'pip' Python.

Sistem akan mulai mengonfigurasinya dalam lingkungan virtual Python, seperti yang ditunjukkan pada gambar:

Setelah menginstal perpustakaan panda, coba instal perpustakaan NumPy menggunakan metode berikut:

Dengan cara yang sangat mirip, instal pustaka scipy Python di lingkungan yang sama.

Sekarang, instal pustaka matplotlib Python di lingkungan.

Python menggunakan algoritma pengelompokan dan regresi dalam pembelajaran mesin untuk melakukan model jaringan saraf. Untuk ini, ia memiliki pustaka sci-kit learn yang telah kami instal dengan utilitas 'pip' bersama dengan opsi '-u' untuk mengonfigurasi paket yang diperlukan juga.

Proses instalasi library scikit telah ditunjukkan di bawah ini:

Untuk visualisasi dalam pembelajaran mendalam, kita membutuhkan perpustakaan Python seaborn untuk diinstal. Oleh karena itu, kami telah menginstalnya di lingkungan yang sama dengan permintaan 'instal'.

Langkah 07: Instal Perpustakaan Keras

Setelah instalasi semua pustaka prasyarat Python yang diperlukan, akhirnya kita dapat menginstal Keras dalam lingkungan Virtual Python. Utilitas 'pip' akan digunakan untuk tujuan ini dalam permintaan 'instal' kami dengan nama modul, yaitu, 'Keras'. Jika sistem menunjukkan bahwa persyaratannya sudah terpenuhi, ini berarti sudah diinstal dan dikonfigurasi.

Jika belum diinstal, kueri ini akan mulai mengunduh dan mengonfigurasinya di lingkungan virtual tanpa penundaan satu detik dan pemrosesan akan ditampilkan, seperti di bawah ini:

Setelah konfigurasi penuh dan instalasi perpustakaan 'Keras' di Lingkungan Virtual, saatnya untuk menampilkan informasi lengkap tentangnya di shell melalui kueri 'pip show'. Eksekusi kueri 'tampilkan' ini telah menghadirkan versi Keras yang diinstal di lingkungan virtual Python kami, namanya, ringkasannya, beranda webnya, penulis, email penulis, lisensi, lokasi yang dibutuhkan pada sistem kami, dan banyak lagi lebih lanjut seperti yang disajikan di bawah ini:

Setelah instalasi terbaik dari perpustakaan Keras dan TensorFlow Python, kita harus keluar dari lingkungan virtual. Untuk itu, coba kueri 'nonaktifkan' di shell dan keluar.

Langkah 08: Instal Anaconda Cloud

Python memiliki cloud bernama 'Anaconda' yang diperlukan untuk membangun contoh jaringan saraf di Python. Oleh karena itu, kami telah mengunduh file eksekusinya ke sistem kami.

File ini telah berada di folder rumah saat ini dari mesin Linux sesuai dengan permintaan 'ls'. Anda perlu memastikan itu checksum terlebih dahulu, yaitu, apakah itu sepenuhnya benar atau tidak melalui kueri sha256sum.

Setelah itu, kita perlu menginstal file Bash yang diunduh dari anaconda di sistem kita menggunakan instruksi 'Bash' dan nama file di konsol yang sama. Telah meminta kami untuk meninjau perjanjian lisensi sebelum instalasi. Jadi, kami mengetuk 'Enter' untuk melanjutkan.

Setelah melalui perjanjian lisensinya, ia meminta kami untuk mengetuk 'ya' jika kami setuju dengan persyaratannya. Anda harus menekan Enter untuk melanjutkan menginstalnya di tempat yang sama atau menulis jalur ke direktori tempat Anda ingin menginstalnya. Jika tidak, gunakan 'Ctrl-c' untuk membatalkan instalasi.

Ini akan menampilkan daftar panjang paket yang akan diinstal dalam proses ini. Setelah beberapa eksekusi transaksi, itu akan mulai menginstal paket.

Setelah beberapa saat, anaconda berhasil diinstal dengan paket tambahannya.

Anda perlu menjalankan file 'aktifkan' dari folder anaconda melalui kueri 'sumber' sebagai root.

Coba luncurkan navigator anaconda menggunakan kueri berikut.

Untuk membuat dan bekerja pada lingkungan conda baru, coba instruksi 'conda create' dengan opsi nama diikuti dengan nama lingkungan baru, yaitu, PyCPU.

Proses ini memerlukan konfirmasi kami tentang penciptaan lingkungan baru. Ketuk 'y'.

Untuk mengaktifkan dan menjalankan lingkungan conda yang baru dibuat, gunakan kueri 'conda aktivasi' dengan nama lingkungan baru Anda, yaitu, lingkungan PyCPU sekarang diaktifkan.

Langkah 09: Instal Spyder IDE

Spyder IDE harus diinstal dalam lingkungan ini untuk eksekusi program Python. Untuk ini, kami telah mencoba permintaan pemasangan conda di shell lingkungan PyCPU dengan kata kunci 'spyder'.

Ketuk 'y' untuk melanjutkan menginstal Spyder.

Langkah 10: Instal Pandas and Keras Library

Setelah instalasi Spyder, instal pustaka panda Python di lingkungan anaconda menggunakan kueri instal conda dengan opsi –c.

Sekali lagi, tekan tombol 'y' untuk melanjutkan.

Setelah konfigurasi panda berhasil, instal perpustakaan Keras dengan kueri yang sama.

Lanjutkan setelah mengklik tombol 'y'.

Anda dapat meluncurkan Spyder IDE di dalam konsol lingkungan anaconda saat ini sebagai berikut:

Spyder IDE telah bersiap untuk diluncurkan.

Folder tersembunyi “.keras” telah ditemukan di direktori home. Perlihatkan dan buka file “keras.json” untuk menambahkan konfigurasi berikut di dalamnya.

Siapkan Keras dan TensorFlow di Windows

Untuk menyiapkan Keras dan TensorFlow di lingkungan Windows, Anda perlu memastikan bahwa bahasa Python bersama dengan pustaka 'pip' dan Anaconda Navigator sudah disiapkan di dalamnya. Setelah mengaturnya, Anda harus membukanya dari area pencarian Anda dan bergerak di dalam tab 'lingkungan'. Di tab ini, Anda akan menemukan nama lingkungan tempat Anda bekerja saat ini, yaitu base. Di area di bawah ini, Anda akan menemukan tab berikut. Ketuk opsi 'buat'.

Di sini, Anda harus membuat nama lingkungan baru 'TensorFlow', yaitu, saat ini berada di dalam lingkungan dasar. Pilih versi terbaru Python yang akan digunakan dan ketuk tombol 'Buat' untuk melanjutkan.

Anda akan melihat bahwa lingkungan sudah mulai memuat.

Setelah beberapa saat, lingkungan TensorFlow akan terinstal sepenuhnya.

Dari area paling kiri, Anda dapat melihat semua pustaka dan modul yang diinstal dan tersedia untuk Python, seperti yang disajikan di bawah ini:

Sekarang, kita perlu menginstal pustaka backend TensorFlow dari Python menggunakan area ini. Di bilah pencarian, tulis 'TensorFlow' dan tandai paket kasus yang sama dari daftar yang ditampilkan untuk menginstalnya. Ketuk tombol 'Terapkan' untuk melanjutkan instalasi TensorFlow beserta sub-modulnya seperti 'Keras'.

Itu sudah mulai berfungsi dan mengonfigurasi TensorFlow di lingkungan Anaconda kami.

Saat instalasi akan menampilkan daftar sub-paket yang akan diinstal pada lingkungan Anaconda. Tepuk tombol “Apply” dan tunggu beberapa saat hingga selesai.

Setelah beberapa saat, Anda akan menemukan semua paket yang diinstal di area modul yang sama. Anda dapat melihat bahwa perpustakaan Keras telah diinstal dengan paket lain dan kami tidak perlu menginstalnya sekarang.

Dari bilah Pencarian Windows, cari kata kunci 'Jupyter'. Aplikasi bernama 'Jupyter Notebook (TensorFlow)' akan ditampilkan bersama dengan yang lain. Ketuk untuk meluncurkan Notebook jupyter dengan TensorFlow backend diaktifkan. Buat file Python baru dan mulai bekerja.

Deep Learning Via Keras

Pembelajaran mendalam mencakup analisis asupan lapis demi lapis, dengan setiap lapisan secara bertahap mengekstrak detail tingkat lanjut dari masukan. Kerangka kerja lengkap disediakan oleh Keras untuk membentuk segala jenis jaringan saraf. Baik kreatif dan sangat sederhana untuk dipahami, Keras. Ini memungkinkan model jaringan saraf mulai dari yang paling naif hingga kompleks terbesar dan tertinggi.

Jaringan Syaraf Tiruan (JST)

Metodologi “Jaringan Syaraf Tiruan” (JST) tampaknya menjadi metode pembelajaran mendalam yang paling banyak digunakan dan mendasar. Mereka mengambil isyarat dari pikiran manusia, komponen alami tubuh kita yang paling rumit, yang berfungsi sebagai model mereka. Lebih dari 90 miliar sel mikroskopis yang disebut 'neuron' membentuk otak individu. Akson dan dendrit adalah jenis serabut saraf yang menghubungkan neuron bersama. Fungsi utama akson adalah mengirim data dari satu neuron yang terhubung ke neuron berikutnya. Untuk info lebih lanjut, silakan cari dari Mesin Pencari Google.

Arsitektur Keras

Arsitektur Keras API telah diklasifikasikan menjadi tiga bagian utama yang tercantum di bawah ini. Mari kita menyamarkan masing-masing dengan jelas.

• Model
• Lapisan
• Modul Inti

Keras Model

Model Keras terdiri dari dua jenis, yaitu, API sekuensial dan fungsional.

Model Sekuensial

Pada dasarnya, model sekuensial adalah kompilasi kronologis Lapisan Keras. Model sekuensial sederhana dan sederhana dapat menggambarkan hampir semua jaringan saraf yang sedang digunakan. Model yang disesuaikan dapat dibuat menggunakan kelas Model yang diungkapkan oleh model sekuensial. Pendekatan sub-klasifikasi dapat digunakan untuk membangun model canggih kita sendiri. Demonstrasi model sekuensial telah disajikan di bawah ini.

Tambahkan Lapisan

Script telah dimulai dari pengimporan mode sekuensial melalui keras.models dan baris lainnya telah membuat model sekuensial. Setelah itu, mengimpor lapisan padat membuat lapisan input dan menambahkan lapisan input ke model. Lapisan padat tersembunyi telah dibuat dan ditambahkan ke model dan hal yang sama telah dilakukan untuk lapisan padat keluaran.

Akses Modelnya

Anda bisa mendapatkan informasi mengenai lapisan model Anda, data input yang telah digunakan, dan data outputnya. Fungsi model.layers memungkinkan Anda untuk mengakses semua lapisan. Model.inputs akan menampilkan tensor input, dan model.output akan menampilkan tensor output.

Serialisasikan Modelnya

Sangat mudah untuk mengembalikan model yang digunakan dalam skrip sebagai objek atau JSON. Misalnya, fungsi get_config() menghasilkan model sebagai entitas/objek. Fungsi from_config() membuat model baru menggunakan objek sebagai nilai parametrik.

Anda juga dapat mengubah model Anda menjadi JSON menggunakan fungsi to_json() .

Ringkasan Model

Untuk mendapatkan seluruh ringkasan mengenai lapisan yang digunakan dalam model bersama dengan beberapa info tambahan, panggil fungsi ringkasan().

Latih dan Prediksikan Modelnya

Untuk melatih dan memprediksi, kita harus menggunakan fungsi kompilasi, fungsi fit, evaluasi fungsi, dan fungsi prediksi dalam hal ini.

Keras Layers

Setiap lapisan input, tersembunyi, dan hasil dalam model jaringan saraf yang disarankan sesuai dengan lapisan Keras yang berbeda dalam model sebenarnya. Jaringan saraf canggih apa pun dapat dikembangkan dengan cepat menggunakan banyak lapisan perpustakaan Keras yang sudah dibuat sebelumnya. Ada lapisan Keras yang berbeda yang kita miliki, yaitu lapisan inti, lapisan pooling, lapisan berulang, dan lapisan konvolusi. Anda dapat mempelajarinya dengan mencari di web. Dua baris pertama telah mengimpor mode Sequential, padat, aktivasi, dan lapisan Dropout.

Kami telah mencoba Sequential() API untuk membuat model sekuensial putus sekolah. Dengan membuang model aktivasi 'relu' kami telah membuat lapisan padat melalui API 'Padat'. Untuk memenuhi over-fitting dari lapisan padat, kami telah menggunakan Dropout() API, yaitu, dropout layering melalui dropout() fungsi. Setelah ini, kami telah menggunakan lapisan yang lebih padat di sini dengan model aktivasi 'relu'. Untuk menangani lapisan padat dari over-fitting, kita harus menggunakan lapisan Dropout. Pada akhirnya, kami telah membuang lapisan padat akhir kami menggunakan model aktivasi tipe 'softmax'.

Pernahkah Anda melakukan layering saat memasak? Jika demikian, maka konsep ini tidak akan sulit untuk Anda pahami. Hasil dari satu level akan menjadi input data untuk layer berikutnya. Berikut adalah hal-hal dasar yang diperlukan untuk membangun sebuah layer baru:

• Bentuk Data Masukan
• Jumlah neuron/unit dalam satu lapisan
• Inisialisasi
• Regularizer
• Kendala
• Aktivasi

Bentuk Data Masukan

Dalam bahasa Python, setiap jenis input telah diubah menjadi array bilangan bulat dan kemudian ditambahkan ke model algoritma. Dalam Python, kita perlu menentukan bentuk input untuk mendapatkan output sesuai kebutuhan kita. Dalam contoh berikut, kami telah menentukan bentuk input (3,3), yaitu, 3 baris dan 3 kolom. Output telah menampilkan matriks.

Inisialisasi

Modul inisialisasi Keras Layers memberi kita banyak fungsi untuk menentukan bobot spesifik untuk data input. Misalnya, fungsi zeros() menentukan 0 untuk semua, yang() akan menentukan untuk semua, dan fungsi constant() akan menentukan nilai konstan tertentu yang ditambahkan oleh pengguna untuk semua dan lebih banyak lagi. Untuk pemahaman yang lebih baik, kami telah menggunakan fungsi identity() untuk menghasilkan matriks identitas. Fungsi lainnya dapat dicari juga dari mesin pencari.

Kendala

Ada berbagai fungsi kendala yang tersedia untuk menerapkan kendala pada parameter 'berat' Layer, yaitu, non-negatif, norma unit, norma maks, minmaxnorm, dan banyak lagi. Dalam ilustrasi berikut, kami telah menerapkan norma kendala kurang dari atau sama dengan bobot. Parameter 'max_value' adalah batas atas kendala yang akan diterapkan dan sumbu adalah dimensi di mana kendala akan diterapkan, yaitu dimensi 1.

Regularizer

Sepanjang optimasi, itu membebankan berbagai biaya pada properti lapisan. Itu juga datang dengan beberapa fungsi untuk melakukannya, yaitu, regularizer L1, regularizer L2, dan Regularizer “LI dan L2”. Berikut adalah ilustrasi paling sederhana dari fungsi regularizer L1:

Aktivasi

Fungsi unik yang disebut fungsi aktivasi digunakan untuk menentukan apakah neuron tertentu aktif atau tidak. Fungsi aktivasi mengubah data yang masuk dengan cara yang kompleks, yang membantu neuron belajar lebih efektif. Berikut adalah beberapa metode aktivasi yang disajikan dalam contoh yang diberikan di bawah ini:

Keras Modules

Seperti yang kita ketahui bahwa modul pemrograman biasanya berisi fungsi, kelas, dan variabel yang akan digunakan untuk tujuan yang berbeda dan spesifik. Sama seperti itu, library Keras Python berisi banyak modul di dalamnya. Anda bisa mendapatkan semua pengetahuan yang diperlukan tentang modul Keras dari web.

Backend

Salah satu modulnya yang paling terkenal dan digunakan adalah modul “Backend” yang telah dirancang untuk menggunakan pustaka backend Python seperti TensorFlow dan Theano. Dengan menggunakan modul backend, kita dapat memanfaatkan sebanyak mungkin fungsi backend dari library TensorFlow dan Theano. Untuk menggunakan modul backend library, kita perlu menentukan library backend yang akan digunakan dalam file konfigurasi “keras.json, yang telah kita buat di folder .keras yang tersembunyi. Secara default, backend telah ditentukan sebagai “TensorFlow”, tetapi Anda juga dapat mengubahnya ke yang lain, yaitu Theano, atau CNTK.

Dalam contoh kita, kita akan menggunakan library TensorFlow sebagai backend. Untuk memuat konfigurasi backend dari file keras.json dari folder “keras” root, gunakan:

• dari hard import backend sebagai k

Setelah berhasil mengimpor backend dari file keras.json, saatnya untuk mendapatkan informasi backend menggunakan variabel “k” dengan variabel yang akan diambil. Pertama, kita telah mengambil nama backend yang telah kita gunakan dan sudah diimpor menggunakan fungsi “backend()”. Ini mengembalikan 'Tensorflow' sebagai nilai backendnya. Untuk mendapatkan nilai float dari backend, kita telah memanggil fungsi floatx() melalui objek variabel “k” Keras. Ini menunjukkan bahwa kita telah menggunakan nilai float32.

Untuk mendapatkan format data gambar, gunakan fungsi image_Data_format() dengan variabel “k”. Saat menggunakannya, ini menunjukkan bahwa backend kami telah menggunakan format data gambar “channels_last”. Untuk mendapatkan kekuatan eksponen untuk backend, panggil fungsi epsilon() dengan variabel “k”. Ini mengembalikan bahwa backend akan menggunakan kekuatan eksponensial '07'. Itu semua tentang pengambilan informasi backend.

Get_uid() Fungsi

Saatnya untuk melihat beberapa fungsi backend TensorFlow untuk memahami fungsinya. Salah satu fungsi backend yang paling sering digunakan adalah fungsi “get_uid() yang digunakan untuk mengidentifikasi grafik default yang telah kita gunakan. Menggunakannya dengan parameter prefix='' akan mengembalikan '1', yaitu, sesuai penggunaan. Sekali lagi, menggunakannya akan mengembalikan '2' seperti yang telah kita panggil lagi dan nilai grafik telah bertambah. Setelah menggunakan fungsi “reset_uids”, nilai ID pengguna grafik akan direset ke 0. Oleh karena itu, menggunakan fungsi get_uid() sekali lagi akan menambahnya dengan 1.

Placeholder() Fungsi

Tensor telah menggunakan fungsi placeholder() untuk menampung berbagai bentuk dimensi di dalamnya. Misalnya, dalam ilustrasi berikut, kami telah menggunakannya untuk menahan gambar 3-D dalam tensor melalui variabel Keras “k” dan menyimpannya ke variabel lain “d”. Output dari variabel 'd' menunjukkan properti dari bentuk yang digunakan di dalam placeholder.

Fungsi “int_shape()” digunakan untuk menampilkan bentuk nilai yang disimpan dalam placeholder “d”.

Titik () Fungsi

Pernahkah Anda mengalikan dua vektor? Jika demikian, tidak akan sulit bagi Anda untuk mengalikan dua tensor. Untuk ini, perpustakaan backend datang dengan fungsi 'titik'. Pertama, untuk menahan dua bentuk yang berbeda, kami telah menggunakan nilai bentuk dalam fungsi placeholder() di 2 baris pertama untuk membuat dua pemegang 'x' dan 'y'. Fungsi dot() telah mengambil pemegang 'x' dan 'y' untuk mengalikan kedua tensor dan menyimpan hasilnya ke variabel lain 'z'. Saat menggunakan tensor 'z' untuk mencetak, hasil bentuk tensor yang dikalikan (1, 5) ditampilkan di layar.

Satuan() Fungsi

Fungsi one() dari modul backend telah dikenal untuk menginisialisasi semua nilai bentuk tertentu ke 1. Misalnya, kita telah menggunakan fungsi one() pada bentuk tensor (3,3) dan menyimpan hasilnya ke variabel 'v'. Fungsi eval() dibuang di sini untuk mengevaluasi nilai variabel “v” dan ditampilkan di dalam lingkungan Python. Sebagai gantinya, ia telah mengonversi bentuk (3,3) menjadi matriks array semua yang memiliki tipe data float32.

Batch_dot() Fungsi

Batch tensor akan menentukan total sampel yang akan diurutkan sebelum memperbarui model. Fungsi batch_dot() dari backend TensorFlow terutama digunakan untuk mengetahui hasil perkalian dari dua data batch yang berbeda. Oleh karena itu, kami telah membuat dua variabel tensor v1 dan v2 dan menggunakan fungsi Input() untuk menyimpannya di v1 dan v2 sebagai input. Setelah itu, kita telah mencoba fungsi batch_dot() pada kedua variabel tensor, v1 dan v2, dan nilai yang dihasilkan akan disimpan ke variabel lain “v3”. Saat mencetak variabel v3, kami menemukan bentuk yang dihasilkan (2,2) sebagai gantinya.

Fungsi Variabel

Jika Anda pernah bekerja pada bahasa lain, Anda mungkin telah menginisialisasi banyak variabel dengan kata kunci “var” atau tanpa kata kunci tersebut. Sering kali, Anda mungkin telah menginisialisasi variabel dengan tipe datanya seperti integer, string, atau karakter. Di dalam library Python Keras, kita dapat membuat variabel apa saja menggunakan fungsi variable() pada beberapa data tensor dalam bentuk sampel.

Dalam gambar berikut, kami telah membuat variabel “d” dengan menambahkan sampel dua data daftar ke dalam fungsi variabel() dengan objek Keras “k”. Setelah menambahkan variabel ini, kita telah memanggil fungsi transpose() pada variabel ini “d” untuk mengetahui transpos data sampel di dalamnya melalui objek Keras “k”. Transpos yang dihasilkan akan disimpan ke variabel 'val'. Pernyataan cetak bahasa Python telah digunakan di sini untuk mencetak nilai variabel yang dihasilkan 'val'. Pernyataan print telah menampilkan pilihan fungsi yang telah kita terapkan pada variabel “d” dan jumlah total elemen dalam setiap daftar.

Setelah ini, kami mencoba fungsi 'eval' pada variabel 'val' untuk mendapatkan transpos sampel yang ditambahkan ke variabel 'd' dan fungsi cetak menampilkannya. Anda dapat melihat transpos dua daftar di output.

Ilustrasi kode sebelumnya dicapai dengan menggunakan fungsi Python sederhana tanpa mengimpor pustaka Python tertentu. 'Transpose' dari dua set data dapat ditemukan menggunakan array NumPy. Untuk ini, kita perlu mengimpor perpustakaan NumPy sebagai 'n' di awal. Format dasarnya sama, tetapi kita perlu menginisialisasi kumpulan data bentuk dengan kata kunci “array” daripada menggunakan kata kunci “variabel”. Contoh array NumPy harus disimpan kembali ke variabel “d”. Objek NumPy yang sama “n” digunakan untuk memanggil fungsi transpose() pada variabel “d” dan menyimpan hasilnya ke variabel “val”.

Pernyataan print telah memanggil variabel 'val' di dalamnya untuk menampilkan tensor transposnya. Anda bisa lihat, untuk menampilkan resultan nilai transpos dari variabel “val”, kita tidak memerlukan fungsi “eval” di sini. Sekarang, kita telah menggunakan fungsi variabel dengan argumen “d” dan menyimpan hasilnya ke variabel “z”. Setelah mencoba pernyataan cetak dengan menambahkan nilai argumen 'z' di dalamnya, itu menampilkan output dalam format sebelumnya yang sama seperti yang kita coba dalam contoh variabel di atas.

Is_sparse() Fungsi

Kata 'jarang' dalam tensor digunakan untuk tensor jarang yang berisi entri dengan sebagian besar nol. Dalam contoh ini, kita akan menggunakan fungsi is_sparse() dari modul backend untuk memeriksa apakah tensor memiliki sebagian besar nol atau tidak.

Pertama, kita telah memanggil fungsi placeholder() untuk menahan bentuk tensor (3,3) bersama dengan argumen Sparse yang disetel ke true. Nilai placeholder ini akan disimpan ke 'x' yang bisa berubah dan ditampilkan. Outputnya telah menampilkan informasi mengenai variabel placeholder “x”.

Misalnya, tipe data, bentuk, dan fungsinya diterapkan padanya. Setelah ini, kami mencoba pernyataan print sekali lagi dengan memanggil fungsi is_Sparse() di dalamnya. Fungsi ini menggunakan variabel “x” sebagai argumennya untuk menampilkan apakah tensor “x” sparse atau tidak. Output menampilkan 'benar'.

To_dense() Fungsi

Tensor padat dikatakan sebagai yang menggunakan blok kronologis memori untuk menyimpan informasi dengan cara yang berdekatan dan juga mewakili nilai informasi. Fungsi “to_dense()” dari modul backend memungkinkan kita mengonversi tensor sparse menjadi tensor padat. Oleh karena itu, kami mengambil fungsi placeholder yang sama untuk menambahkan tensor ke variabel 'x' dan tensor ini telah disetel ke 'sparse'.

Fungsi 'to_dense()' diterapkan ke variabel tensor padat 'x', yaitu, untuk mengubahnya menjadi tensor padat dan menyimpannya ke variabel lain 'res'. Sekarang, 'res' adalah tensor padat itu sendiri. Pernyataan print telah dibuang untuk mencetak variabel 'res'. Penggunaan pernyataan cetak untuk variabel 'res' menampilkan informasi mengenai variabel yang dikonversi 'res', yaitu, berhasil dikonversi jarang menjadi padat dan banyak lagi.

Kemudian, fungsi print lain dipanggil dengan menggunakan fungsi is_sparse() di dalamnya untuk memeriksa apakah variabel “res” jarang atau tidak. Outputnya telah menunjukkan bahwa variabel 'res' tidak jarang, yaitu, karena kami telah mengonversinya menjadi tensor 'padat'.

Random_uniform_variable() Fungsi

Fungsi random_uniform_variable() dalam modul backend Keras dirancang khusus untuk inisialisasi tensor melalui distribusi uniform. Dibutuhkan total tiga argumen. Argumen 'bentuk' pertama digunakan untuk mendefinisikan baris dan kolom bentuk dalam bentuk tupel. Jika Anda telah melakukan matematika, Anda mungkin telah mempelajari konsep mean dan standar deviasi.

Dalam metode random_uniform_variable(), dua argumen berikutnya adalah mean dan deviasi tipikal dari distribusi seragam. Dalam ilustrasi ini, kita telah menginisialisasi dua tensor “x” dan “y” menggunakan distribusi seragam standar melalui fungsi random_uniform_variable(). Kedua tensor tersebut memiliki format bentuk yang berbeda, yaitu baris dan kolom dengan mean dan standar deviasi yang sama, yaitu rendah=0, dan tinggi=1.

Setelah ini, kami membuang fungsi 'titik' dengan mengambil tensor 'x' dan 'y' di dalamnya untuk perkalian. Hasil perkalian ini akan disimpan ke variabel “z”. Pada akhirnya, int_shape() harus digunakan untuk menampilkan bentuk resultan tensor “z”. Outputnya menunjukkan tensor (2.2).

Utilitas

Jika Anda ingin menggunakan beberapa fungsi yang sangat berguna dari konsep deep learning Python, Anda harus menggunakan modul utils dari perpustakaan Keras di skrip Anda. Misalnya, jika Anda ingin menampilkan data Anda dalam format HDF5Matrix, Anda perlu mengimpor kelas HDF5Matrix dan menggunakan fungsi HDF5Matrix dalam skrip.

To_categorical() Fungsi

Fungsi ini memungkinkan Anda untuk memodifikasi vektor kelas menjadi matriks, yaitu matriks kelas biner. Katakanlah, kita telah mengimpor fungsi to_categorical() dari modul utils dan menginisialisasi vektor “A”. Vektor “A” telah diteruskan ke fungsi to_categorical(). Matriks biner untuk vektor kelas 'A' ini telah ditampilkan.

print_summary() Fungsi

Untuk mencetak ringkasan model yang telah kita casting di lingkungan kita, fungsi print_summary digunakan.

plot_model() Fungsi

Fungsi plot_model() menandakan model dalam format titik dan memungkinkan Anda menyimpannya ke dokumen.

Kesimpulan

Singkatnya, kita dapat mengatakan bahwa bahasa Python adalah bahasa yang diperlukan untuk era saat ini karena semuanya semakin cepat dan teknologi telah berkembang sangat cepat. Sepanjang pedoman pembelajaran ini, kami telah menggunakan perpustakaan Keras Python dalam Pembelajaran Mendalam dan Jaringan Syaraf Tiruan. Untuk ini, kami juga telah membahas pentingnya dan penggunaan pustaka backend “TensorFlow” untuk mendapatkan pemahaman yang jelas. Selain itu, kami telah membahas dan menjelaskan setiap konfigurasi yang diperlukan untuk mengatur lingkungan Keras dan Anaconda dengan Python dalam sistem operasi Ubuntu 20.04 Linux. Setelah ini, kita telah membahas secara menyeluruh Model Keras, Layer, dan Modul satu per satu beserta fungsinya yang paling sering digunakan. Untuk demonstrasi model Function API, silakan periksa dokumentasi resmi.