Keras สามารถใช้ประเมินโมเดลที่กู้คืนโดยใช้ Python ได้อย่างไร

Tensorflow คือเฟรมเวิร์กแมชชีนเลิร์นนิงที่ให้บริการโดย Google เป็นเฟรมเวิร์กโอเพนซอร์ซที่ใช้ร่วมกับ Python เพื่อใช้อัลกอริทึม แอปพลิเคชันการเรียนรู้เชิงลึก และอื่นๆ อีกมากมาย ใช้ในการวิจัยและเพื่อการผลิต มีเทคนิคการเพิ่มประสิทธิภาพที่ช่วยในการดำเนินการทางคณิตศาสตร์ที่ซับซ้อนได้อย่างรวดเร็ว

แพ็คเกจ 'tensorflow' สามารถติดตั้งบน Windows ได้โดยใช้บรรทัดโค้ดด้านล่าง -

pip install tensorflow

Keras ได้รับการพัฒนาโดยเป็นส่วนหนึ่งของการวิจัยสำหรับโครงการ ONEIROS (ระบบปฏิบัติการหุ่นยนต์อัจฉริยะ Neuro−Electronic แบบเปิดปลายเปิด) Keras เป็น API การเรียนรู้เชิงลึกซึ่งเขียนด้วยภาษา Python เป็น API ระดับสูงที่มีอินเทอร์เฟซที่มีประสิทธิภาพซึ่งช่วยแก้ปัญหาแมชชีนเลิร์นนิง

มันทำงานบนเฟรมเวิร์ก Tensorflow มันถูกสร้างขึ้นเพื่อช่วยทดลองในลักษณะที่รวดเร็ว นำเสนอสิ่งที่เป็นนามธรรมและการสร้างบล็อคที่จำเป็นต่อการพัฒนาและการห่อหุ้มโซลูชันการเรียนรู้ของเครื่อง สามารถปรับขนาดได้สูงและมาพร้อมกับความสามารถข้ามแพลตฟอร์ม ซึ่งหมายความว่า Keras จะทำงานบน TPU หรือคลัสเตอร์ของ GPU ได้ นอกจากนี้ โมเดล Keras ยังสามารถส่งออกไปยังเว็บเบราว์เซอร์หรือโทรศัพท์มือถือได้อีกด้วย

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 ถูกสร้างขึ้นบน Jupyter Notebook ต่อไปนี้เป็นรหัส -

ตัวอย่าง

print("The restored model is evaluated")
loss, acc = new_model.evaluate(test_images, test_labels, verbose=2)
print('This is the restored model, with accuracy: {:5.3f}%'.format(100 * acc))
print("Predictions are being made, the dimensions of the predictions are")
print(new_model.predict(test_images).shape)
print("A new model instance is created")

model = create_model()

print("The model is fit to the training data")
model.fit(train_images, train_labels, epochs=7)

เครดิตโค้ด - https://www.tensorflow.org/tutorials/keras/save_and_load

ผลลัพธ์

คำอธิบาย

• โมเดลที่กู้คืนจะได้รับการประเมินโดยใช้วิธี "ประเมิน"

• ความแม่นยำและความสูญเสียระหว่างการฝึกจะถูกกำหนด

• ค่าเหล่านี้จะแสดงบนคอนโซล

• การคาดคะเนใช้วิธี "ทำนาย"

• ขนาดของข้อมูลการทดสอบจะแสดงบนคอนโซล

• อีกตัวอย่างหนึ่งของโมเดลถูกสร้างขึ้นโดยใช้เมธอด "create_model"

• โมเดลนี้เหมาะสมกับข้อมูลการฝึกใน 7 ยุค