TensorFlow - Keras
Keras é uma biblioteca Python compacta, fácil de aprender e de alto nível executada na estrutura do TensorFlow. É feito com foco no entendimento de técnicas de aprendizado profundo, como a criação de camadas para redes neurais mantendo os conceitos de formas e detalhes matemáticos. A criação de freamework pode ser dos seguintes dois tipos -
- API sequencial
- API funcional
Considere as oito etapas a seguir para criar um modelo de aprendizado profundo no Keras -
- Carregando os dados
- Pré-processar os dados carregados
- Definição de modelo
- Compilando o modelo
- Ajustar ao modelo especificado
- Avalie
- Faça as previsões necessárias
- Salve o modelo
Usaremos o Jupyter Notebook para execução e exibição da saída conforme mostrado abaixo -
Step 1 - O carregamento dos dados e o pré-processamento dos dados carregados são implementados primeiro para executar o modelo de aprendizado profundo.
import warnings
warnings.filterwarnings('ignore')
import numpy as np
np.random.seed(123) # for reproducibility
from keras.models import Sequential
from keras.layers import Flatten, MaxPool2D, Conv2D, Dense, Reshape, Dropout
from keras.utils import np_utils
Using TensorFlow backend.
from keras.datasets import mnist
# Load pre-shuffled MNIST data into train and test sets
(X_train, y_train), (X_test, y_test) = mnist.load_data()
X_train = X_train.reshape(X_train.shape[0], 28, 28, 1)
X_test = X_test.reshape(X_test.shape[0], 28, 28, 1)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255
Y_train = np_utils.to_categorical(y_train, 10)
Y_test = np_utils.to_categorical(y_test, 10)
Esta etapa pode ser definida como “Importar bibliotecas e módulos”, o que significa que todas as bibliotecas e módulos são importados como uma etapa inicial.
Step 2 - Nesta etapa, vamos definir a arquitetura do modelo -
model = Sequential()
model.add(Conv2D(32, 3, 3, activation = 'relu', input_shape = (28,28,1)))
model.add(Conv2D(32, 3, 3, activation = 'relu'))
model.add(MaxPool2D(pool_size = (2,2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation = 'relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation = 'softmax'))
Step 3 - Vamos agora compilar o modelo especificado -
model.compile(loss = 'categorical_crossentropy', optimizer = 'adam', metrics = ['accuracy'])
Step 4 - Agora ajustaremos o modelo usando dados de treinamento -
model.fit(X_train, Y_train, batch_size = 32, epochs = 10, verbose = 1)
A saída das iterações criadas é a seguinte -
Epoch 1/10 60000/60000 [==============================] - 65s -
loss: 0.2124 -
acc: 0.9345
Epoch 2/10 60000/60000 [==============================] - 62s -
loss: 0.0893 -
acc: 0.9740
Epoch 3/10 60000/60000 [==============================] - 58s -
loss: 0.0665 -
acc: 0.9802
Epoch 4/10 60000/60000 [==============================] - 62s -
loss: 0.0571 -
acc: 0.9830
Epoch 5/10 60000/60000 [==============================] - 62s -
loss: 0.0474 -
acc: 0.9855
Epoch 6/10 60000/60000 [==============================] - 59s -
loss: 0.0416 -
acc: 0.9871
Epoch 7/10 60000/60000 [==============================] - 61s -
loss: 0.0380 -
acc: 0.9877
Epoch 8/10 60000/60000 [==============================] - 63s -
loss: 0.0333 -
acc: 0.9895
Epoch 9/10 60000/60000 [==============================] - 64s -
loss: 0.0325 -
acc: 0.9898
Epoch 10/10 60000/60000 [==============================] - 60s -
loss: 0.0284 -
acc: 0.9910