Keras được phát triển như một phần nghiên cứu cho dự án ONEIROS (Hệ điều hành Robot thông minh điện tử thần kinh 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
API chức năng Keras giúp tạo các mô hình linh hoạt hơn so với các mô hình được tạo bằng API tuần tự. API chức năng có thể hoạt động với các mô hình có cấu trúc liên kết phi tuyến tính, có thể chia sẻ các lớp và hoạt động với nhiều đầu vào và đầu ra. Mô hình học sâu thường là một đồ thị xoay chiều có hướng (DAG) chứa nhiều lớp. API chức năng giúp xây dựng biểu đồ của các lớp.
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 đoạn mã trong đó Kera được sử dụng để trích xuất và sử dụng lại các nút trong biểu đồ các lớp -
Ví dụ
print("VGG19 model with pre-trained weights")
vgg19 = tf.keras.applications.VGG19()
features_list = [layer.output for layer in vgg19.layers]
feat_extraction_model = keras.Model(inputs=vgg19.input, outputs=features_list)
img = np.random.random((1, 224, 224, 3)).astype("float32")
print("Create feature-extraction model")
extracted_features = feat_extraction_model(img) Tín dụng mã - https://www.tensorflow.org/guide/keras/f Chức năng
Đầu ra
VGG19 model with pre-trained weights Downloading data from https://storage.googleapis.com/tensorflow/kerasapplications/vgg19/vgg19_weights_tf_dim_ordering_tf_kernels.h5 574717952/574710816 [==============================] - 6s 0us/step Create feature-extraction model
Giải thích
-
Vì biểu đồ của các lớp là một cấu trúc dữ liệu tĩnh nên nó có thể được truy cập.
-
Đây là lý do tại sao các mô hình chức năng có thể được vẽ dưới dạng hình ảnh.
-
Kích hoạt của các lớp trung gian (nút) cũng có thể được truy cập và sử dụng lại.
-
Điều này rất hữu ích cho các mục đích trích xuất tính năng.
-
Chúng tôi sẽ sử dụng mô hình VGG19 có các trọng số được đào tạo trước với sự trợ giúp của ImageNet.
-
Những kích hoạt trung gian này có thể thu được bằng cách truy vấn cấu trúc dữ liệu biểu đồ.
-
Các tính năng này có thể được sử dụng để tạo mô hình trích xuất tính năng mới trả về các giá trị của kích hoạt lớp ngay lập tức.