難しい

ディープ ラーニング アルゴリズムを構築するための最も効果的でユーザー フレンドリーなプラグインには、Keras と呼ばれる Python ベースの高度な人工ニューラル フレームワークがあります。これは、TensorFlow や CNTK などのよく知られたディープ ラーニング フレームワークの上に構築されます。より深いニューラル ネットワークを利用した迅速な探索を可能にするために、使いやすく、拡張可能で、適応性があるように設計されています。フィードフォワード ネットワークとリトラクタブル ネットワークの両方を個別に処理するだけでなく、コンボでも処理します。小さな操作を管理できないため、Backend パッケージを使用して小さな操作に対処します。このレッスンでは、Keras の展開、深層学習の基礎、Keras 構造、Keras レイヤー化、Keras パッケージ、およびリアルタイム プログラミングについて説明します。

Linux で Keras をセットアップする

ステップ 01: システムの更新

Python の「Keras」ライブラリの使用を完全にデモンストレーションする前に、Linux マシンを完全に更新して、後で簡単にインストールできるようにする必要があります。この目的のために、システムの組み込みアプリケーションから「コンソール」アプリケーションをすばやく開く必要があります。特定のクエリ領域内で、「apt」ユーティリティと「sudo」権限を使用して Linux の「更新」クエリを追加し、システムをすばやく更新しました。システムを適切に更新できるように、このプロセスを続行するにはユーザーパスワードが必要です。

ステップ 02: Python と Pip をインストールする

Keras と TensorFlow によるディープ ラーニングを使用するには、マシンに Python の最新バージョンを構成する必要があります。したがって、必要な「pip」ユーティリティとともに、Python の更新されたパッケージをシステムにインストールし始めます。そのためには、シェルの「インストール」クエリで Ubuntu 20.04 Linux システムの「apt」ユーティリティを再度使用し、その後にインストールするパッケージの名前、つまり Python3 と Python3-pip を使用する必要があります。コンソール領域でこの単純なクエリを実行すると、システムはシステムに両方のパッケージのインストールと構成を開始します。

一方、システムに Python 用の「pip」ユーティリティの古いバージョンがインストールされている場合は、先に進む前にそれを更新する必要があります。

Python とその「pip」ユーティリティの構成が成功したら、Python の Setuptools をアップグレードして、近い将来の問題を回避します。そのため、「pip3」ユーティリティと –upgrade オプションを使用してインストール クエリを実行し、Setuptools (セットアップ ツール) のアップグレードをインストールしてみました。システムの現在のパスワードを要求され、それを追加しました。

ステップ 03: TensorFlow をインストールする

機械学習と教師ありニューラル モデルを構築する場合、TensorFlow は最も有名な記号演算パッケージです。インストールを行った後、同じ「pip3」インストール クエリを実行し、その後に「Tensorflow」パッケージ名を付けました。

その他の TensorFlow 関連のユーティリティは、システムに完全にインストールする必要があります。これらのユーティリティは TensorFlow と一緒にインストールされ、最大で 10 分以上かかる場合があります。

ステップ 04: 必須パッケージをインストールする

Ubuntu 20.04 システムでの TensorFlow の実りある構成の後、「git」や「cmake」などの他のユーティリティとともにいくつかのビルド パッケージを構成する必要もあります。以下に示すように、同じ「apt」ツールを試すことで、必要なパッケージの多くをインストールしました。

このステップは、このインストールを確認することで最も注意を払っています。 「y」をタップして続行します。

ステップ 05: 仮想環境を作成する

必要なインストールが完了したら、仮想環境を作成します。したがって、「-m」オプションを指定して Python3 ユーティリティを使用し、「venv」変数を介して仮想環境「kerasenv」を作成する必要があります。 「ls」クエリは、環境が作成されたことを示しています。

ここで、Keras フォルダーの仮想環境内に移動する必要があります。そのため、仮想環境フォルダーの名前とともに「cd」命令を使用しています。その後、この仮想環境の「bin」フォルダー内に移動し、そのサブをリストしました。この Python 環境をアクティブにするために、クエリ領域で「ソース」命令と「アクティブ化」ファイルを試しました。仮想環境は「kerasenv」という名前でアクティブ化されます。

ステップ 06: Python ライブラリをインストールする

Python 仮想環境を正常に設定したら、Keras をインストールする前に、必要なすべての Python ライブラリをインストールする必要があります。そのため、Python の「pip」パッケージを使用して、最初に panda のライブラリを同じ仮想環境にインストールしています。

イメージに示すように、システムは Python の仮想環境内で構成を開始します。

pandas のライブラリをインストールしたら、次の方法で NumPy ライブラリをインストールしてみてください。

よく似た方法で、Python の scipy ライブラリを同じ環境にインストールします。

次に、環境に Python の matplotlib ライブラリをインストールします。

Python は、機械学習でクラスタリングおよび回帰アルゴリズムを使用して、ニューラル ネットワーク モデルを実行します。このために、必要なパッケージを構成するための「-u」オプションとともに「pip」ユーティリティを使用してインストールしている sci-kit 学習ライブラリも含まれています。

scikit ライブラリのインストールの処理を以下に示します。

深層学習で可視化するには、Python の seaborn ライブラリをインストールする必要があります。そのため、「インストール」クエリで同じ環境にインストールしています。

ステップ 07: Keras ライブラリをインストールする

Python の必要なすべての前提条件ライブラリをインストールした後、最終的に Python の仮想環境内に Keras をインストールできます。 「pip」ユーティリティは、モジュール名、つまり「Keras」を使用して「install」クエリ内でこの目的のために使用されます。要件がすでに満たされていることをシステムが示している場合、これはすでにインストールおよび構成されていることを意味します。

まだインストールされていない場合、このクエリは仮想環境で 1 秒も待たずにダウンロードと構成を開始し、処理が次のように表示されます。

仮想環境での「Keras」ライブラリの完全な構成とインストールが完了したら、「pip show」クエリを使用して、シェルに関する完全な情報を表示します。この「表示」クエリの実行により、Python の仮想環境にインストールされている Keras のバージョン、その名前、概要、Web ホームページ、作成者、作成者の電子メール、ライセンス、システム上の場所、および多くの情報が表示されます。以下に示すように：

Python の Keras および TensorFlow ライブラリの最適なインストールが完了したら、仮想環境を終了する必要があります。そのためには、シェルで「非アクティブ化」クエリを試して終了します。

ステップ 08: Anaconda Cloud をインストールする

Python には、Python でニューラル ネットワークの例を構築するために必要な「Anaconda」という名前のクラウドがあります。したがって、その実行ファイルをシステムにダウンロードしました。

このファイルは、「ls」クエリに従って、Linux マシンの現在のホーム フォルダーに存在しています。最初にチェックサムであることを確認する必要があります。つまり、sha256sum クエリを使用して、完全に正しいかどうかを確認する必要があります。

その後、同じコンソールで「Bash」命令とファイル名を使用して、ダウンロードした anaconda の Bash ファイルをシステムにインストールする必要があります。インストールの前に使用許諾契約を確認するように求められています。そこで、「Enter」をタップして続行しました。

ライセンス契約を通過した後、条件に同意する場合は「はい」をタップするよう求められます. Enter キーを押して同じ場所にインストールを続行するか、インストール先のディレクトリへのパスを書き込む必要があります。それ以外の場合は、「Ctrl-c」を使用してインストールをキャンセルします。

このプロセスでインストールされるパッケージの長いリストが表示されます。いくつかのトランザクションの実行後、パッケージのインストールが開始されます。

しばらくすると、anaconda が追加パッケージとともに正常にインストールされました。

ルートとして「source」クエリを介して anaconda フォルダーから「activate」ファイルを実行する必要があります。

次のクエリを使用して anaconda ナビゲーターを起動してみてください。

新しい conda 環境を作成して作業するには、name オプションの後に新しい環境名 (PyCPU など) を指定して、「conda create」命令を試してください。

このプロセスでは、新しい環境の作成に関する確認が必要です。 「y」をタップします。

新しく作成した conda 環境をアクティブ化して実行するには、「conda activate」クエリを新しい環境の名前とともに使用します。つまり、PyCPU 環境がアクティブ化されました。

ステップ 09: Spyder IDE をインストールする

Python プログラムを実行するには、この環境に Spyder IDE をインストールする必要があります。このために、キーワード「spyder」を使用して、PyCPU 環境シェルで conda install クエリを試しました。

「y」をタップして、Spyder のインストールを続行します。

ステップ 10: Pandas と Keras ライブラリをインストールする

Spyder のインストール後、 –c オプションを指定した conda install クエリを使用して、アナコンダ環境に panda の Python ライブラリをインストールします。

もう一度、「y」ボタンを押して続行します。

pandas の構成が正常に完了したら、同じクエリを使用して Keras ライブラリをインストールします。

「y」ボタンをクリックして次に進みます。

次のように、anaconda の現在の環境コンソール内で Spyder IDE を起動できます。

Spyder IDE は起動の準備をしています。

隠しフォルダー「.keras」はホームディレクトリにあります。それを再表示して「keras.json」ファイルを開き、次の構成を追加します。

Windows で Keras と TensorFlow をセットアップする

Windows 環境で Keras と TensorFlow をセットアップするには、Python 言語とその「pip」ライブラリおよび Anaconda Navigator が既にセットアップされていることを確認する必要があります。設定後、検索エリアから開き、「環境」タブ内に移動する必要があります。このタブには、現在作業している環境名、つまり base が表示されます。下の領域には、次のタブがあります。 「作成」オプションをタップします。

ここで、新しい環境名「TensorFlow」を作成する必要があります。つまり、現在は基本環境内にあります。使用する Python の最新バージョンを選択し、[作成] ボタンをタップして続行します。

環境のロードが開始されていることがわかります。

しばらくすると、TensorFlow 環境が完全にインストールされます。

一番左の領域から、以下に示すように、インストール済みで使用可能な Python 用のすべてのライブラリとモジュールを確認できます。

次に、この領域を使用して Python の TensorFlow バックエンド ライブラリをインストールする必要があります。検索バーに「TensorFlow」と入力し、表示されたリストから同じケース パッケージをマークしてインストールします。 「適用」ボタンをタップして、「Keras」などのサブモジュールとともに TensorFlow のインストールを続行します。

Anaconda 環境で TensorFlow の動作と構成が開始されました。

インストール中に、Anaconda 環境にインストールされるサブパッケージのリストが表示されます。 「適用」ボタンを軽くたたいて、完了するまでしばらく待ちます。

しばらくすると、インストールされたすべてのパッケージが同じモジュール領域に表示されます。 Keras ライブラリが他のパッケージと共にインストールされていることがわかります。今はインストールする必要はありません。

Windows 検索バーから、「Jupyter」キーワードを検索します。 「Jupyter Notebook (TensorFlow)」という名前のアプリケーションが他のアプリケーションと共に表示されます。それをタップして、バックエンドの TensorFlow を有効にして jupyter Notebook を起動します。新しい Python ファイルを作成し、作業を開始します。

ハードによる深層学習

深層学習には、摂取量のレイヤーごとの分析が含まれ、各レイヤーは入力から高度なレベルの詳細を徐々に抽出します。あらゆる種類のニューラル ネットワークを形成するための完全なフレームワークが Keras によって提供されます。創造的で信じられないほど簡単に理解できる、Keras.これにより、最も単純なものから最大かつ最高の複雑なものまで、さまざまなニューラル ネットワーク モデルが可能になります。

人工ニューラル ネットワーク (ANN)

「人工ニューラル ネットワーク」（ANN）の方法論は、ディープ ラーニングの最も広く使用されている基本的な方法のようです。彼らは、モデルとして機能する私たちの体の自然な最も複雑な構成要素である人間の心から手がかりを得ます. 「ニューロン」と呼ばれる900億個以上の微細な細胞が個人の脳を構成しています。軸索と樹状突起は、ニューロンをつなぐ神経線維の一種です。軸索の主な機能は、リンクされた 1 つのニューロンから次のニューロンにデータを送信することです。詳細については、Google 検索エンジンから検索してください。

Keras アーキテクチャ

Keras API アーキテクチャは、以下に示す 3 つの主要部分に分類されています。それぞれをはっきりと見てみましょう。

• モデル
• 層
• コアモジュール

ハードモデル

Keras モデルは、シーケンシャル API と関数型 API の 2 つのタイプで構成されています。

順次モデル

基本的に、シーケンシャル モデルは Keras レイヤーの年代順のコンパイルです。シンプルで単純化されたシーケンシャル モデルは、現在使用されているほぼすべてのニューラル ネットワークを記述することができます。シーケンシャル モデルが明らかにする Model クラスを使用して、カスタマイズされたモデルを作成できます。サブクラス化アプローチは、独自の洗練されたモデルを構築するために使用できます。シーケンシャル モデルのデモンストレーションを以下に示します。

レイヤーを追加

スクリプトは keras.models を介したシーケンシャル モードのインポートから開始され、他の行はシーケンシャル モデルを作成しています。その後、高密度レイヤーをインポートすると、入力レイヤーが作成され、入力レイヤーがモデルに追加されます。非表示の密層が作成されてモデルに追加され、同じことが出力密層に対して実行されました。

モデルにアクセスする

モデル レイヤー、それが使用している入力データ、およびその出力データに関する情報を取得できます。 model.layers 関数を使用すると、すべてのレイヤーにアクセスできます。 model.inputs は入力テンソルを表示し、model.output は出力テンソルを表示します。

モデルをシリアル化する

スクリプトで使用されているモデルをオブジェクトまたは JSON として返すのは簡単です。たとえば、get_config() 関数はモデルをエンティティ/オブジェクトとして生成します。 from_config() 関数は、オブジェクトをパラメトリック値として使用して新しいモデルを作成します。

to_json() 関数を使用してモデルを JSON に変更することもできます。

モデルの概要

モデル内で使用されているレイヤーに関する概要全体と追加情報を取得するには、summary() 関数を呼び出します。

モデルのトレーニングと予測

トレーニングと予測を行うには、コンパイル関数、フィット関数、関数の評価、予測関数を使用する必要があります。

ハードレイヤー

提案されたニューラル ネットワーク モデルのすべての入力レイヤー、隠蔽レイヤー、および歩留まりレイヤーは、実際のモデルの異なる Keras レイヤーに対応します。洗練されたニューラル ネットワークは、Keras ライブラリの事前に構築された多数のレイヤーを使用して迅速に開発できます。コア層、プーリング層、再帰層、畳み込み層など、さまざまな Keras 層があります。 Webで検索すれば勉強できます。最初の 2 行は、シーケンシャル モード、デンス、アクティベーション、およびドロップアウト レイヤーをインポートしています。

ドロップアウト シーケンシャル モデルを作成するために Sequential() API を試しています。アクティベーション モデル「relu」をキャスト オフすることで、「Dense」API を介して高密度レイヤーを作成しています。高密度レイヤーのオーバーフィッティングに対応するために、Dropout() API、つまり dropout() 関数によるドロップアウト レイヤリングを使用してきました。この後、ここでは「relu」アクティベーション モデルでより高密度のレイヤーを使用しています。オーバーフィッティングによる高密度レイヤーを処理するには、ドロップアウト レイヤーを使用する必要があります。最後に、「softmax」タイプのアクティベーション モデルを使用して、最終的な高密度レイヤーをキャストしました。

料理中に重ね着をしたことはありますか？もしそうなら、この概念を理解するのは難しくありません。 1 つのレベルの結果は、後続のレイヤーの入力データとして機能します。まったく新しいレイヤーを構築するために必要な基本的なものは次のとおりです。

• 入力データ形状
• レイヤー内の合計ニューロン/ユニット
• 初期化子
• 正則化
• 制約
• アクティベーション

入力データ形状

Python 言語内では、あらゆる種類の入力が整数の配列に変換されてから、アルゴリズム モデルに追加されています。 Python 内では、要件に従って出力を取得するために、入力形状を指定する必要があります。次の例では、入力形状 (3,3)、つまり 3 行 3 列を指定しています。出力にはマトリックスが表示されています。

初期化子

Keras レイヤーの初期化モジュールは、入力データの特定の重みを指定するための多くの関数を提供します。たとえば、zeros() 関数はすべてに 0 を指定し、ones() はすべてに指定し、constant() 関数はすべてにユーザーが追加した特定の定数値を指定します。理解を深めるために、identity() 関数を使用して単位行列を生成しました。残りの機能は、検索エンジンからも検索できます。

制約

レイヤーの「重み」パラメーターに制約を適用するために使用できるさまざまな制約関数があります。つまり、非負、単位ノルム、最大ノルム、最小最大ノルムなどがあります。次の図では、重み以下の制約ノルムを適用しています。 「max_value」パラメーターは適用される制約の上限であり、軸は制約が適用される次元、つまり次元 1 です。

正則化

最適化を通じて、レイヤー プロパティにさまざまな負荷がかかります。また、これを行うための関数、つまり、L1 レギュラー、L2 レギュラー、および「LI と L2」レギュラーも考え出しました。以下は、L1 レギュラー関数の最も単純な図です。

アクティベーション

特定のニューロンが活動しているかどうかを判断するために、活性化関数と呼ばれる独自の機能が採用されています。活性化関数は、入力データを複雑な方法で変換し、ニューロンがより効果的に学習できるようにします。以下の例では、いくつかのアクティブ化方法を示しています。

ハードモジュール

私たちが知っているように、プログラミングモジュールには通常、さまざまな特定の目的に使用される関数、クラス、および変数が含まれています。そのように、Python の Keras ライブラリには多くのモジュールが含まれています。 Keras モジュールに関する必要な知識はすべて Web から入手できます。

バックエンド

その最も有名で使用されているモジュールの 1 つは、TensorFlow や Theano などの Python のバックエンド ライブラリを使用するように設計された「バックエンド」モジュールです。バックエンド モジュールを使用すると、TensorFlow および Theano ライブラリから可能な限り多くのバックエンド関数を利用できます。バックエンド ライブラリ モジュールを使用するには、非表示の .keras フォルダーに作成した構成ファイル「keras.json」で使用するバックエンド ライブラリを指定する必要があります。デフォルトでは、バックエンドは「TensorFlow」として指定されていますが、他のもの、つまり Theano や CNTK に変更することもできます。

この例では、TensorFlow ライブラリをバックエンドとして使用します。ルート「keras」フォルダーの keras.json ファイルからバックエンドの構成をロードするには、以下を使用します。

• keras からバックエンドを k としてインポート

keras.json ファイルからバックエンドを正常にインポートしたら、変数「k」とフェッチする変数を使用してバックエンド情報を取得します。まず、使用していて、「backend()」関数を使用して既にインポートされているバックエンドの名前を取得しています。バックエンド値として「Tensorflow」を返します。バックエンドの float 値を取得するために、Keras の「k」変数オブジェクトを介して floatx() 関数を呼び出してきました。 float32 値を使用していることを示しています。

画像データのフォーマットを取得するには、image_Data_format() 関数を「k」変数とともに使用します。これを使用すると、バックエンドが「channels_last」画像データ形式を利用していることがわかります。バックエンドの指数べき乗を取得するには、変数「k」を指定して epsilon() 関数を呼び出します。バックエンドが「07」の指数乗を使用することを返します。バックエンド情報の取得については以上です。

Get_uid() 関数

TensorFlow の機能を理解するために、TensorFlow のいくつかのバックエンド関数を見てみましょう。最もよく使用されるバックエンド関数の 1 つである「get_uid() 関数は、使用しているデフォルト グラフを識別するために使用されます。 prefix='' パラメーターで使用すると、「1」が返されます。つまり、使用方法によって異なります。繰り返しますが、これを使用すると「2」が返されます。これは、再度呼び出しており、グラフの値がインクリメントされているためです。 「reset_uids」関数を使用した後、グラフのユーザー ID 値は 0 にリセットされます。したがって、get_uid() 関数をもう一度使用すると、値が 1 増加します。

Placeholder() 関数

テンソルは placeholder() 関数を使用して、さまざまな次元の形状を保持しています。たとえば、次の図では、Keras 変数「k」を介して 3D 画像をテンソルに保持し、それを別の変数「d」に保存するために使用しています。変数「d」の出力は、プレースホルダー内で使用される形状のプロパティを示しています。

「int_shape()」関数は、プレースホルダー「d」に保存された値の形状を表示するために使用されます。

ドット()関数

2 つのベクトルを乗算したことがありますか?もしそうなら、2 つのテンソルを乗算することは難しくありません。このために、バックエンド ライブラリは「ドット」関数を思いつきました。まず、2 つの異なる形状を保持するために、最初の 2 行の placeholder() 関数で形状値を使用して、2 つのホルダー「x」と「y」を作成しました。 dot() 関数は、「x」および「y」ホルダーを取得して両方のテンソルを乗算し、結果を別の変数「z」に保存しています。印刷に「z」テンソルを使用すると、乗算された結果のテンソル shape(1, 5) が画面に表示されました。

Ones() 関数

バックエンド モジュールの ones() 関数は、特定の形状のすべての値を 1 に初期化することで知られています。たとえば、テンソル形状 (3,3) で ones() 関数を使用し、結果を変数「v」。 eval() 関数はここでキャストオフされ、変数「v」の値を評価し、Python 環境で表示します。その代わりに、形状 (3,3) をすべて 1 の float32 データ型の配列行列に変換しています。

Batch_dot() 関数

テンソル バッチは、モデルを更新する前に並べ替える合計サンプルを指定します。 TensorFlow バックエンドの batch_dot() 関数は、主に 2 つの異なるバッチ データの乗算結果を見つけるために使用されます。したがって、2 つのテンソル変数 v1 と v2 を作成し、Input() 関数を使用してそれらを v1 と v2 に入力として保存しました。その後、テンソル変数 v1 と v2 の両方で batch_dot() 関数を試しており、結果の値は別の変数「v3」に保存されます。変数 v3 を出力すると、返された結果の形状 (2,2) が見つかりました。

可変機能

他の言語で作業したことがある場合は、キーワード「var」を使用して、または使用せずに多くの変数を初期化している可能性があります。多くの場合、整数、文字列、または文字などのデータ型で変数を初期化している可能性があります。 Python Keras ライブラリ内では、変数 () 関数を使用して、サンプルの形式のテンソル データで任意の変数を作成できます。

次の図では、Keras オブジェクト「k」を使用して variable() 関数にサンプル 2 のリスト データを追加することにより、変数「d」を作成しています。この変数を追加した後、この変数「d」でtranspose()関数を呼び出して、Kerasオブジェクト「k」を介してその中のサンプルデータの転置を見つけました。結果の転置は、変数「val」に保存されます。ここでは、Python 言語の print ステートメントを使用して、結果変数「val」の値を出力しています。 print ステートメントは、変数「d」に適用した関数の選択と、各リストの要素の総数を表示しています。

この後、「val」変数で「eval」関数を試して、変数「d」に追加されたサンプルの転置を取得し、印刷関数がそれを表示していました。出力で 2 つのリストの転置を確認できます。

前のコード図は、特定の Python ライブラリをインポートせずに単純な Python 関数を使用して実現されました。 2 つのデータセットの「転置」は、NumPy 配列を使用して見つけることができます。このためには、最初に NumPy ライブラリを「n」としてインポートする必要があります。基本的なフォーマットは同じですが、「変数」キーワードを使用する代わりに「配列」キーワードを使用して形状データ セットを初期化する必要があります。サンプルの NumPy 配列は、変数「d」に戻す必要があります。同じ NumPy オブジェクト「n」を使用して、変数「d」で transpose() 関数を呼び出し、その結果を変数「val」に保存します。

print ステートメントは、転置テンソルを表示するためにその中で「val」変数を呼び出しています。 「val」変数の結果の転置された値を表示するために、「eval」関数は必要ありません。ここで、変数関数を引数「d」で使用し、結果を変数「z」に保存しました。引数値「z」を追加して print ステートメントを試した後、上記の変数の例で試したのと同じ形式で出力が表示されました。

Is_sparse() 関数

テンソルの「スパース」という言葉は、ほとんどゼロのエントリを含むスパース テンソルに使用されます。この例では、バックエンド モジュールの is_sparse() 関数を使用して、テンソルにほとんどのゼロがあるかどうかを確認します。

最初に、引数 Sparse を true に設定してテンソル形状 (3,3) を保持するために placeholder() 関数を呼び出しています。このプレースホルダー値は、変更可能な「x」に保持され、表示されます。出力には、プレースホルダー変数「x」に関する情報が表示されています。

たとえば、そのデータ型、形状、機能が適用されます。この後、is_Sparse() 関数を呼び出す print ステートメントをもう一度試しました。この関数は変数「x」を引数として取り、「x」テンソルがスパースかどうかを表示します。出力には「true」が表示されます。

To_dense() 関数

高密度テンソルは、メモリの時系列ブロックを使用して情報を隣接する方法で格納し、情報の値も表すと言われています。バックエンド モジュールの「to_dense()」関数を使用すると、疎テンソルを密テンソルに変換できます。したがって、テンソルを変数「x」に追加するために同じプレースホルダー関数を使用しており、このテンソルは「スパース」に設定されています。

「to_dense()」関数は、密テンソル変数「x」に適用されます。つまり、それを密テンソルに変換し、別の変数「res」に保存します。さて、「res」はそれ自体が密なテンソルです。 print ステートメントは、「res」変数を出力するためにキャストされています。 「res」変数に print ステートメントを使用すると、「res」変換された変数に関する情報が表示されました。

次に、is_sparse() 関数を使用して別の印刷関数を呼び出し、変数「res」がスパースかどうかを確認します。出力は、変数「res」がスパースではないことを示しています。つまり、すでに「密な」テンソルに変換しているためです。

Random_uniform_variable() 関数

Keras バックエンド モジュールの random_uniform_variable() 関数は、一様分布によるテンソルの初期化のために特別に設計されています。合計 3 つの引数を取ります。最初の引数「shape」は、タプル フォーム内の形状の行と列を定義するために使用されます。数学をやったことがあれば、平均と標準偏差の概念を学んだかもしれません。

random_uniform_variable() メソッドでは、次の 2 つの引数は一様分布からの平均偏差と標準偏差です。この図では、random_uniform_variable() 関数を介して標準の一様分布を使用して、2 つのテンソル「x」と「y」を初期化しました。両方のテンソルには異なる形状形式が含まれています。つまり、行と列の平均と標準偏差は同じです。つまり、低 = 0、高 = 1 です。

この後、乗算のために「x」と「y」テンソルを取る「ドット」関数をキャストします。この乗算の結果は、変数「z」に保存されます。最後に、結果のテンソル「z」の形状を表示するには、int_shape() を使用する必要があります。出力はテンソル (2,2) を示しています。

ユーティリティ

Python の深層学習の概念から非常に便利な関数を使用したい場合は、スクリプトで Keras ライブラリの utils モジュールを利用する必要があります。たとえば、データを HDF5Matrix 形式で表示する場合は、HDF5Matrix クラスをインポートし、その HDF5Matrix 関数をスクリプトで使用する必要があります。

To_categorical() 関数

この関数を使用すると、クラス ベクトルを行列、つまりバイナリ クラス行列に変更できます。 utils モジュールから to_categorical() 関数をインポートし、ベクトル「A」を初期化したとしましょう。ベクトル「A」が to_categorical() 関数に渡されました。このクラス ベクトル「A」のバイナリ マトリックスが表示されています。

print_summary() 関数

環境でキャストしたモデルの要約を出力するために、print_summary 関数が使用されました。

plot_model() 関数

plot_model() 関数は、モデルをドット形式で示し、ドキュメントに保存できるようにします。

結論

要約すると、Python 言語は今日の時代に必要な言語であると言えます。すべてが急速に進歩し、テクノロジーが非常に急速に進化しているからです。この学習ガイドライン全体を通して、ディープ ラーニングと人工ニューラル ネットワークで Python の Keras ライブラリを使用してきました。このため、明確な理解を得るために、バックエンド ライブラリ「TensorFlow」の重要性と使用についても説明しました。さらに、Ubuntu 20.04 Linux オペレーティング システム内の Python で Keras および Anaconda 環境をセットアップするために必要なすべての構成について説明し、説明しました。この後、Keras のモデル、レイヤー、およびモジュールについて、最もよく使用される機能とともに 1 つずつ徹底的に説明しました。関数 API モデルのデモについては、公式ドキュメントを確認してください。