โมเดลตามลำดับมีความเกี่ยวข้องเมื่อมีเลเยอร์แบบธรรมดา ในสแต็กนี้ ทุกเลเยอร์มีเทนเซอร์อินพุตหนึ่งตัวและเทนเซอร์เอาต์พุตหนึ่งตัว ไม่เหมาะสมเมื่อโมเดลมีหลายอินพุตหรือหลายเอาต์พุต ไม่เหมาะสมเมื่อจำเป็นต้องแชร์เลเยอร์ ไม่เหมาะสมเมื่อเลเยอร์มีหลายอินพุตหรือหลายเอาต์พุต ไม่เหมาะสมเมื่อต้องการสถาปัตยกรรมที่ไม่ใช่เชิงเส้น
Tensorflow คือเฟรมเวิร์กแมชชีนเลิร์นนิงที่ให้บริการโดย Google เป็นเฟรมเวิร์กโอเพนซอร์ซที่ใช้ร่วมกับ Python เพื่อใช้อัลกอริทึม แอปพลิเคชันการเรียนรู้เชิงลึก และอื่นๆ อีกมากมาย ใช้ในการวิจัยและเพื่อการผลิต มีเทคนิคการเพิ่มประสิทธิภาพที่ช่วยในการดำเนินการทางคณิตศาสตร์ที่ซับซ้อนได้อย่างรวดเร็ว
เนื่องจากใช้ NumPy และอาร์เรย์หลายมิติ อาร์เรย์หลายมิติเหล่านี้เรียกอีกอย่างว่า 'เทนเซอร์' เฟรมเวิร์กรองรับการทำงานกับโครงข่ายประสาทเทียมระดับลึก สามารถปรับขนาดได้สูงและมาพร้อมกับชุดข้อมูลยอดนิยมมากมาย ใช้การคำนวณ GPU และจัดการทรัพยากรโดยอัตโนมัติ มันมาพร้อมกับไลบรารีแมชชีนเลิร์นนิงมากมาย และได้รับการสนับสนุนและจัดทำเป็นเอกสารอย่างดี เฟรมเวิร์กมีความสามารถในการใช้งานโมเดล Deep Neural Network ฝึกอบรม และสร้างแอปพลิเคชันที่คาดการณ์ลักษณะที่เกี่ยวข้องของชุดข้อมูลที่เกี่ยวข้อง
แพ็คเกจ 'tensorflow' สามารถติดตั้งบน Windows ได้โดยใช้บรรทัดโค้ดด้านล่าง -
pip install tensorflow
Tensor เป็นโครงสร้างข้อมูลที่ใช้ใน TensorFlow ช่วยเชื่อมต่อขอบในแผนภาพการไหล แผนภาพการไหลนี้เรียกว่า 'กราฟการไหลของข้อมูล' เทนเซอร์เป็นเพียงอาร์เรย์หลายมิติหรือรายการ สามารถระบุได้โดยใช้แอตทริบิวต์หลักสามประการ
-
อันดับ - มันบอกเกี่ยวกับมิติของเทนเซอร์ สามารถเข้าใจได้ว่าเป็นลำดับของเทนเซอร์หรือจำนวนมิติในเทนเซอร์ที่กำหนดไว้
-
Type - มันบอกเกี่ยวกับประเภทข้อมูลที่เกี่ยวข้องกับองค์ประกอบของเทนเซอร์ อาจเป็นเทนเซอร์แบบหนึ่งมิติ สองมิติ หรือ n มิติก็ได้
-
รูปร่าง - เป็นจำนวนแถวและคอลัมน์ร่วมกัน
Keras หมายถึง 'เขา' ในภาษากรีก Keras ได้รับการพัฒนาโดยเป็นส่วนหนึ่งของการวิจัยสำหรับโครงการ ONEIROS (ระบบปฏิบัติการหุ่นยนต์อัจฉริยะ Neuro-Electronic ปลายเปิด) Keras เป็น API การเรียนรู้เชิงลึกซึ่งเขียนด้วยภาษา Python เป็น API ระดับสูงที่มีอินเทอร์เฟซที่มีประสิทธิภาพซึ่งช่วยแก้ปัญหาการเรียนรู้ของเครื่อง มันทำงานบนเฟรมเวิร์ก Tensorflow มันถูกสร้างขึ้นเพื่อช่วยทดลองในลักษณะที่รวดเร็ว โดยนำเสนอสิ่งที่เป็นนามธรรมและการสร้างบล็อคที่จำเป็นต่อการพัฒนาและการห่อหุ้มโซลูชันแมชชีนเลิร์นนิง
Keras มีอยู่แล้วในแพ็คเกจ Tensorflow สามารถเข้าถึงได้โดยใช้รหัสบรรทัดด้านล่าง
import tensorflow from tensorflow import keras
เรากำลังใช้ Google Colaboratory เพื่อเรียกใช้โค้ดด้านล่าง Google Colab หรือ Colaboratory ช่วยเรียกใช้โค้ด Python บนเบราว์เซอร์และไม่ต้องมีการกำหนดค่าใดๆ และเข้าถึง GPU ได้ฟรี (หน่วยประมวลผลกราฟิก) Colaboratory สร้างขึ้นบน Jupyter Notebook
เรามาดูตัวอย่างการสร้างโมเดลตามลำดับด้วย Tensorflow รวมถึง Keras −
ตัวอย่าง
print("A sequential model is being created")
model = keras.Sequential()
model.add(layers.Dense(2, activation="relu"))
model.add(layers.Dense(3, activation="relu"))
model.add(layers.Dense(4))
print("Dense layers have been added to the model") เครดิตโค้ด – https://www.tensorflow.org/guide/keras/sequential_model
ผลลัพธ์
A sequenital model is being created Dense layers have been added to the model
คำอธิบาย
-
นี่เป็นวิธีอื่นในการสร้างโมเดลตามลำดับใน Keras โดยใช้ Python และเพิ่มเลเยอร์เข้าไป
-
ตัวแปรถูกกำหนดให้เรียกใช้เมธอด 'sequential'
-
นอกจากตัวแปรนี้แล้ว วิธี 'เพิ่ม' ยังใช้เพื่อสร้างเลเยอร์สำหรับโมเดล
-
เมื่อเพิ่มเลเยอร์แล้ว ข้อมูลจะแสดงบนคอนโซล
