Mise en route: 30 secondes de traduction en japonais Keras

Objectif

J'ai eu la chance d'écrire Keras, alors j'ai traduit quelque chose comme le simple tutoriel de Keras en japonais. Getting started: 30 seconds to Keras Keras définit la structure de données dans le modèle. Le plus couramment utilisé est Sequential, et si vous souhaitez définir une couche avec une architecture plus complexe, utilisez l 'API de la fonction Keras. Il est nécessaire de confirmer. Utilisez le modèle séquentiel comme suit.

	from keras.model import Sequential
	model = Sequential()

Utilisez .add () pour empiler les couches.

from keras.layers.core import Dense, Activation

model.add(Dense(output_dim=64, input_dim=100))
model.add(Activation("relu"))
model.add(Dense(output_dim=10))
model.add(Activation("softmax"))

Après avoir créé le modèle, utilisez .compile () pour configurer le processus de formation du modèle.

model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])

Si vous avez besoin de décrire l'optimiseur plus en détail, vous pouvez. Keras croit qu'il faut traiter les problèmes de manière raisonnable et simple, mais d'un autre côté, la personnalisation de l'utilisateur est possible dans n'importe quelle partie.

from keras.optimizers import SGD
model.compile(loss='categorical_crossentropy', optimizer=SGD(lr=0.01, momentum=0.9, nesterov=True))

Après avoir déterminé le chemin de calcul jusqu'à ce point, les données d'entraînement peuvent être tournées.

model.fit(X_train, Y_train, nb_epoch=5, batch_size=32)

Vous pouvez également alimenter le modèle que vous avez créé manuellement le lot.

model.train_on_batch(X_batch, Y_batch)

Vous pouvez évaluer le modèle créé en une seule ligne.

loss_and_metrics = model.evaluate(X_test, Y_test, batch_size=32)

Pour effectuer une prédiction de nouvelles données, procédez comme suit.

classes = model.predict_classes(X_test, batch_size=32)
proba = model.predict_proba(X_test, batch_size=32)

Un apprentissage profond à sens unique simple peut être facilement décrit comme ceci. L'idée du Deep Learning est si simple, pourquoi devrait-il être pénible à mettre en œuvre (non, ce n'est pas le cas).

Pour un tutoriel plus détaillé

Vous pouvez vérifier avec. Des modèles tels que LSTM sont sur la page d'exemple de github.

Premiers pas avec le modèle séquentiel Keras a également été traduit en japonais.

Recommended Posts

Mise en route: 30 secondes de traduction en japonais Keras
Premiers pas avec la traduction japonaise du modèle séquentiel Keras
[Français] Premiers pas avec Rust pour les programmeurs Python
Traduction japonaise sosreport
Matériel à lire lors de la mise en route de Python
Grails pour commencer
Premiers pas avec les pandas: connaissances de base à retenir en premier
Matériel à lire lors de la mise en route d'Apache Beam
traduction japonaise man systemd
streamlit explication traduction japonaise
Streamlit tutorial traduction japonaise
Premiers pas avec Android!
1.1 Premiers pas avec Python
Premiers pas avec apache2
Premiers pas avec Python
Premiers pas avec Django 1
Introduction à l'optimisation
man systemd.service traduction japonaise
man nftables traduction japonaise
Premiers pas avec Numpy
Premiers pas avec Spark
Dockerfile Reference traduction japonaise
Premiers pas avec Python
docker-compose --aide à la traduction en japonais
docker help traduction en japonais
Premiers pas avec Pydantic
Programme pour affaiblir le japonais
Premiers pas avec Jython
Premiers pas avec Django 2
Commencer à développer des applications Kivy pour smartphones à l'aide de Buildozer
Introduction à la modélisation bayésienne à l'aide de la traduction japonaise pymc3 de modélisation bayésienne en Python (chapitre 0-2)