Keras สามารถใช้ประเมินโมเดลโดยใช้ Python ได้อย่างไร

Tensorflow คือเฟรมเวิร์กแมชชีนเลิร์นนิงที่ให้บริการโดย Google เป็นเฟรมเวิร์กโอเพนซอร์ซที่ใช้ร่วมกับ Python เพื่อใช้อัลกอริทึม แอปพลิเคชันการเรียนรู้เชิงลึก และอื่นๆ อีกมากมาย ใช้ในการวิจัยและเพื่อการผลิต

Keras ได้รับการพัฒนาโดยเป็นส่วนหนึ่งของการวิจัยสำหรับโครงการ ONEIROS (ระบบปฏิบัติการหุ่นยนต์อัจฉริยะ Neuro−Electronic แบบเปิดปลายเปิด) Keras เป็น API การเรียนรู้เชิงลึกซึ่งเขียนด้วยภาษา Python เป็น API ระดับสูงที่มีอินเทอร์เฟซที่มีประสิทธิภาพซึ่งช่วยแก้ปัญหาการเรียนรู้ของเครื่อง มันทำงานบนเฟรมเวิร์ก Tensorflow สร้างขึ้นเพื่อช่วยในการทดลองอย่างรวดเร็ว

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("An instance of the model is created")
model = create_model()

print("The model is being evaluated")
loss, acc = model.evaluate(test_images, test_labels, verbose=2)
print("This is an untrained model, with accuracy: {:5.3f}%".format(100 * acc))

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

ผลลัพธ์

An Instance of the model is created 
The Model is being evaluated 32/32 -0s - loss: - spare_categories_accurancy: 0.0930 
This is an untrained model, with accuracy: 9.300%

คำอธิบาย

• มีการสร้างอินสแตนซ์ของโมเดล

• นี่เป็นโมเดลใหม่ที่ยังไม่ผ่านการฝึกอบรมซึ่งได้รับการประเมินในชุดทดสอบ

• วิธี 'ประเมิน' ใช้เพื่อตรวจสอบว่าแบบจำลองทำงานได้ดีเพียงใดกับข้อมูลใหม่

• นอกจากนี้ยังกำหนดความสูญเสียเมื่อฝึกแบบจำลองและความแม่นยำของแบบจำลองอีกด้วย

• ความสูญเสียและความแม่นยำถูกพิมพ์บนคอนโซล