Keras ist eine kompakte, leicht zu erlernende Python-Bibliothek auf hohem Niveau, die auf dem TensorFlow-Framework läuft. Der Schwerpunkt liegt auf dem Verständnis von Deep-Learning-Techniken, beispielsweise den Konzepten der Erstellung neuronaler Netzwerkschichten und der Beibehaltung von Formen und mathematischen Details. Es gibt zwei Arten von Erstellungsrahmen:
1. Sequentielle API
2. Funktionale API
Betrachten Sie die folgenden acht Schritte, um ein Deep-Learning-Modell in Keras zu erstellen
1. Laden Sie die Daten.
2. Verarbeiten Sie die geladenen Daten vor.
3. Definieren Sie das Modell
. 4. Kompilieren Sie das Modell.
5. Trainieren Sie das angegebene Modell
. 6. Bewerten Sie das Modell
. 7. Treffen Sie die gewünschten Vorhersagen
. 8. Speichern Sie das Modell
Wir werden Jupyter Notebook verwenden, um die Ausgabe wie unten gezeigt auszuführen und anzuzeigen
Schritt 1: Implementieren Sie zunächst die Ladedaten und verarbeiten Sie die Ladedaten vor, um das Deep-Learning-Modell auszuführen.
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,