Keras es una biblioteca de aprendizaje profundo de código abierto escrita en Python. Es adecuada para construir y evaluar potentes modelos de aprendizaje. Por regla general, las bibliotecas Theano y TensorFlow integrado de forma eficaz. El aprendizaje profundo es una nueva tendencia que utiliza la inteligencia artificial para construir máquinas y redes neuronales. Los desarrolladores de software pueden construir redes neuronales de forma eficaz sin tener que preocuparse por aspectos matemáticos como el álgebra tensorial, los métodos de optimización y otras técnicas numéricas. Sin embargo, deben saber que Keras solo es aplicable al aprendizaje humano y no al aprendizaje automático.
Características principales de Keras
- El sistema dispone de una interfaz de alto nivel para el usuario
- Funciona sin problemas en GPU y CPU
- El sistema admite la mayoría de los modelos de redes neuronales
- Es flexible
- Gracias a su marco de trabajo orientado a Python, los errores pueden corregirse muy fácilmente.
Pasos para crear tu primera CNN con Keras
1. configure su entorno
Empieza por colgar tu póster motivador. Luego puedes instalar Python 2.7- en tu ordenador. También puedes utilizar Python 3. Sin embargo, 2.7 es más popular para la tecnología de datos. Otros pueden preferir utilizar SciPY con NumPY o Matplotlib.
2. instalar el sistema Keras
Al utilizar Anaconda, puede utilizar el sistema de gestión "pip". En la mayoría de los casos, se puede acceder a él simplemente escribiendo "pip" en la línea de comandos.
Importar bibliotecas y módulos
Comienza importando NumPy y configurando Seed como pseudo en tu generador de números.
4. cargar la imagen de MNIST
MNIST encabeza la lista de los mayores conjuntos de datos. Funciona eficazmente con Aprendizaje profundo y Visión por ordenador. Además, es lo suficientemente grande para redes neuronales y sólo requiere un ordenador.
5. tratamiento previo de los datos de entrada
Dependiendo del sistema que quieras utilizar, puedes necesitar diferentes profundidades para la foto. Las imágenes a todo color siempre funcionan mejor con más de 3 canales RGB.
6. preprocesamiento de las distintas clases
Con más de 9 clases diferentes, puede elegir la matriz dimensional que desee. Compruebe los datos y_train e y_test ya que no están divididos en estas clases diferentes.
7. definir la arquitectura del modelo
La mayoría de los expertos prefieren utilizar la clase Cs231n. No sólo proporciona espacio para aprender más, sino que también se replica en otras infraestructuras. Puede compilar el modelo y prepararse para trabajar con datos de entrenamiento.
8. evaluar el modelo con datos de prueba
Una vez realizados todos los preparativos, sólo queda evaluar el modelo con los datos de prueba.
