Tensorflow là một khuôn khổ học máy do Google cung cấp. Nó là một khung công tác mã nguồn mở được sử dụng cùng với Python để triển khai các thuật toán, ứng dụng học sâu và hơn thế nữa. Nó được sử dụng trong nghiên cứu và cho mục đích sản xuất.
Keras được phát triển như một phần nghiên cứu cho dự án ONEIROS (Hệ điều hành Robot thông minh điện tử Neuro kết thúc mở). Keras là một API học sâu, được viết bằng Python. Đây là một API cấp cao có giao diện hiệu quả giúp giải quyết các vấn đề về máy học.
Nó chạy trên khuôn khổ Tensorflow. Nó được xây dựng để giúp thử nghiệm một cách nhanh chóng. Nó cung cấp các khối xây dựng và trừu tượng thiết yếu cần thiết trong việc phát triển và đóng gói các giải pháp học máy. Nó có khả năng mở rộng cao và đi kèm với các khả năng đa nền tảng. Điều này có nghĩa là Keras có thể chạy trên TPU hoặc các cụm GPU. Các mô hình Keras cũng có thể được xuất để chạy trong trình duyệt web hoặc điện thoại di động.
Keras đã có trong gói Tensorflow. Nó có thể được truy cập bằng cách sử dụng dòng mã dưới đây.
import tensorflow from tensorflow import keras
Chúng tôi đang sử dụng Google Colaboratory để chạy đoạn mã dưới đây. Google Colab hoặc Colaboratory giúp chạy mã Python qua trình duyệt và không yêu cầu cấu hình cũng như quyền truy cập miễn phí vào GPU (Đơn vị xử lý đồ họa). Colaboratory đã được xây dựng trên Jupyter Notebook. Sau đây là mã -
Ví dụ
print("The weights are saved")
model.save_weights('./checkpoints/my_checkpoint')
print("A new model instance is created")
model = create_model()
print("Restore the weights of the old model")
model.load_weights('./checkpoints/my_checkpoint')
print("The model is being evaluated")
loss, acc = model.evaluate(test_images, test_labels, verbose=2)
print("Restored model, accuracy: {:5.2f}%".format(100 * acc)) Tín dụng mã - https://www.tensorflow.org/tutorials/keras/save_and_load
Đầu ra
Giải thích
-
Trọng số của mô hình mới được lưu bằng phương pháp "save_weights".
-
Một mô hình mới khác được tạo bằng phương pháp ‘create_model’.
-
Trọng lượng của mô hình cũ được khôi phục.
-
Mô hình mới được liên kết với các trọng số cũ và được đánh giá.
-
Mô hình mới này được đánh giá bằng phương pháp "đánh giá".
-
Độ chính xác và độ hao hụt của nó trong quá trình đào tạo được xác định.
-
Các giá trị này được hiển thị trên bảng điều khiển.