హార్డ్
లోతైన అభ్యాస అల్గారిథమ్లను రూపొందించడానికి అత్యంత ప్రభావవంతమైన మరియు వినియోగదారు-స్నేహపూర్వక ప్లగిన్లలో కెరాస్ అని పిలువబడే పైథాన్-ఆధారిత ఎలివేటెడ్ ఆర్టిఫిషియల్ న్యూరల్ ఫ్రేమ్వర్క్ ఉంది, ఇది TensorFlow లేదా CNTK వంటి బాగా తెలిసిన డీప్-లెర్నింగ్ ఫ్రేమ్వర్క్ల పైన నిర్మించబడుతుంది. లోతైన నాడీ నెట్వర్క్లను ఉపయోగించి త్వరిత అన్వేషణను ప్రారంభించడానికి, ఇది వినియోగదారు-స్నేహపూర్వకంగా, పొడిగించదగినదిగా మరియు స్వీకరించదగినదిగా రూపొందించబడింది. ఇది ఫీడ్ఫార్వర్డ్ మరియు రిట్రాక్టబుల్ నెట్వర్క్లను విడివిడిగా అలాగే కాంబోలో నిర్వహిస్తుంది. ఇది చిన్న కార్యకలాపాలను పరిష్కరించడానికి బ్యాకెండ్ ప్యాకేజీని ఉపయోగిస్తుంది ఎందుకంటే ఇది వాటిని నిర్వహించలేకపోయింది. కేరాస్ యొక్క విస్తరణ, డీప్ లెర్నింగ్ యొక్క ప్రాథమిక అంశాలు, కేరస్ నిర్మాణాలు, కేరాస్ లేయరింగ్, కేరాస్ ప్యాకేజీలు మరియు రియల్ టైమ్ ప్రోగ్రామింగ్ ఈ పాఠంలో కవర్ చేయబడతాయి.
Linuxలో Kerasని సెటప్ చేయండి
దశ 01: సిస్టమ్ను అప్డేట్ చేయండి
పైథాన్ యొక్క “కేరాస్” లైబ్రరీ ఉపయోగం యొక్క పూర్తి ప్రదర్శనను కలిగి ఉండటానికి ముందు, తదుపరి ఇన్స్టాలేషన్లను సులభతరం చేయడానికి మేము మా Linux మెషీన్ను పూర్తిగా నవీకరించాలి. ఈ ప్రయోజనం కోసం, మేము సిస్టమ్ యొక్క అంతర్నిర్మిత అనువర్తనాల నుండి 'కన్సోల్' అప్లికేషన్ను త్వరగా తెరవాలి. నిర్దిష్ట ప్రశ్న ప్రాంతంలో, మేము కలిగి ఉన్న సిస్టమ్ను త్వరగా అప్డేట్ చేయడానికి “apt” యుటిలిటీ మరియు “sudo” ప్రత్యేకాధికారంతో Linux యొక్క “నవీకరణ” ప్రశ్నను జోడించాము. ఈ ప్రక్రియను కొనసాగించడానికి దీనికి మా వినియోగదారు పాస్వర్డ్ అవసరం, తద్వారా మా సిస్టమ్ సరిగ్గా నవీకరించబడుతుంది.
దశ 02: పైథాన్ మరియు పిప్ని ఇన్స్టాల్ చేయండి
Keras మరియు TensorFlow ద్వారా డీప్ లెర్నింగ్ ఉపయోగం కోసం, మన మెషీన్లో పైథాన్ యొక్క తాజా వెర్షన్ కాన్ఫిగర్ చేయబడాలి. అందువల్ల, మేము పైథాన్ యొక్క నవీకరించబడిన ప్యాకేజీని దాని అవసరమైన “పిప్” యుటిలిటీతో పాటు మా సిస్టమ్లో ఇన్స్టాల్ చేయడం ప్రారంభిస్తాము. దాని కోసం, షెల్లోని “ఇన్స్టాల్” ప్రశ్నలో ఉబుంటు 20.04 లైనక్స్ సిస్టమ్ యొక్క “యాప్ట్” యుటిలిటీని మనం మళ్లీ ఉపయోగించాలి, ఆపై ఇన్స్టాల్ చేయాల్సిన ప్యాకేజీల పేర్లు, అంటే, పైథాన్ 3 మరియు పైథాన్ 3-పిప్. కన్సోల్ ప్రాంతంలో ఈ సాధారణ ప్రశ్నను అమలు చేసినప్పుడు, సిస్టమ్ మా సిస్టమ్లో రెండు ప్యాకేజీలను ఇన్స్టాల్ చేయడం మరియు కాన్ఫిగర్ చేయడం ప్రారంభిస్తుంది.
మరోవైపు, మీ సిస్టమ్లో పైథాన్ కోసం “పిప్” యుటిలిటీ యొక్క పాత వెర్షన్ ఇన్స్టాల్ చేయబడి ఉంటే, మీరు ముందుకు వెళ్లే ముందు దాన్ని అప్డేట్ చేయాలి.
పైథాన్ మరియు దాని 'పిప్' యుటిలిటీ యొక్క విజయవంతమైన కాన్ఫిగరేషన్ తర్వాత, సమీప భవిష్యత్తులో ఏవైనా సమస్యలను నివారించడానికి పైథాన్ కోసం సెటప్టూల్స్ను అప్గ్రేడ్ చేయడానికి ఇది సమయం. కాబట్టి, మేము 'pip3' యుటిలిటీతో ఇన్స్టాల్ క్వెరీని ప్రయత్నించాము మరియు సెటప్టూల్స్ను అప్గ్రేడ్ చేయడానికి, అంటే సెటప్ టూల్స్ను ఇన్స్టాల్ చేయడానికి -అప్గ్రేడ్ ఎంపికను ప్రయత్నించాము. ఇది మా సిస్టమ్ కోసం మేము కలిగి ఉన్న ప్రస్తుత పాస్వర్డ్ను అడుగుతుంది మరియు మేము దానిని జోడించాము.
దశ 03: TensorFlowని ఇన్స్టాల్ చేయండి
మెషిన్ లెర్నింగ్ మరియు పర్యవేక్షించబడే నాడీ నమూనాలను రూపొందించడానికి, టెన్సర్ఫ్లో అనేది అత్యంత ప్రసిద్ధ సింబాలిక్ మ్యాథ్ ప్యాకేజీ. ఇన్స్టాలేషన్ల ద్వారా వెళ్ళిన తర్వాత, మేము అదే “pip3” ఇన్స్టాల్ ప్రశ్నను తర్వాత “Tensorflow” ప్యాకేజీ పేరును అమలు చేస్తున్నాము.
ఇతర TensorFlow-సంబంధిత వినియోగాలు సిస్టమ్లో పూర్తిగా ఇన్స్టాల్ చేయబడాలి. ఆ యుటిలిటీలు TensorFlowతో పాటు ఇన్స్టాల్ చేయబడతాయి మరియు దీనికి 10 లేదా అంతకంటే ఎక్కువ నిమిషాలు పట్టవచ్చు.
దశ 04: ఎసెన్షియల్ ప్యాకేజీలను ఇన్స్టాల్ చేయండి
Ubuntu 20.04 సిస్టమ్లో TensorFlow యొక్క ఫలవంతమైన కాన్ఫిగరేషన్ తర్వాత, మేము “git” మరియు “cmake” వంటి కొన్ని ఇతర యుటిలిటీలతో పాటు కొన్ని బిల్డ్ ప్యాకేజీలను కూడా కాన్ఫిగర్ చేయాలి. అదే “apt” సాధనాన్ని ప్రయత్నించడం ద్వారా, మేము దిగువ చూపిన విధంగా అవసరమైన అనేక ప్యాకేజీలను ఇన్స్టాల్ చేసాము:
ఈ ఇన్స్టాలేషన్ని నిర్ధారించడం ద్వారా ఈ దశ మా అత్యంత శ్రద్ధను తీసుకుంటోంది. 'y'ని నొక్కి, కొనసాగించండి.
దశ 05: వర్చువల్ పర్యావరణాన్ని సృష్టించండి
అవసరమైన ఇన్స్టాలేషన్ల తర్వాత, వర్చువల్ వాతావరణాన్ని సృష్టించే సమయం వచ్చింది. కాబట్టి, “venv” వేరియబుల్ ద్వారా వర్చువల్ ఎన్విరాన్మెంట్ “kerasenv”ని సృష్టించడానికి “-m” ఎంపికతో మనం Python3 యుటిలిటీని ఉపయోగించాలి. 'ls' ప్రశ్న పర్యావరణం సృష్టించబడిందని చూపిస్తుంది.
ఇప్పుడు, మనం కేరాస్ ఫోల్డర్ యొక్క వర్చువల్ వాతావరణంలో కదలాలి. కాబట్టి, మేము వర్చువల్ ఎన్విరాన్మెంట్ ఫోల్డర్ పేరుతో పాటు “cd” సూచనను ఉపయోగిస్తున్నాము. ఆ తర్వాత, మేము ఈ వర్చువల్ ఎన్విరాన్మెంట్ యొక్క “బిన్” ఫోల్డర్లోకి తరలించాము మరియు దాని ఉపని జాబితా చేసాము. ఈ పైథాన్ వాతావరణాన్ని సక్రియం చేయడానికి, మేము 'సక్రియం' ఫైల్తో పాటు దాని ప్రశ్న ప్రాంతంలో 'మూలం' సూచనను ప్రయత్నించాము. వర్చువల్ పర్యావరణం 'kerasenv' పేరుతో సక్రియం చేయబడుతుంది.
దశ 06: పైథాన్ లైబ్రరీలను ఇన్స్టాల్ చేయండి
పైథాన్ వర్చువల్ వాతావరణాన్ని విజయవంతంగా సెట్ చేసిన తర్వాత, మీరు కేరాస్ను ఇన్స్టాల్ చేయడానికి ముందు అవసరమైన అన్ని పైథాన్ లైబ్రరీలను ఇన్స్టాల్ చేయాలి. అందువల్ల, మేము పైథాన్ యొక్క “పిప్” ప్యాకేజీని ఉపయోగించి అదే వర్చువల్ వాతావరణంలో మొదట పాండా లైబ్రరీని ఇన్స్టాల్ చేస్తున్నాము.
చిత్రంలో చూపిన విధంగా సిస్టమ్ పైథాన్ యొక్క వర్చువల్ వాతావరణంలో దానిని కాన్ఫిగర్ చేయడం ప్రారంభిస్తుంది:
పాండాల లైబ్రరీని ఇన్స్టాల్ చేసిన తర్వాత, క్రింది పద్ధతిని ఉపయోగించి NumPy లైబ్రరీని ఇన్స్టాల్ చేయడానికి ప్రయత్నించండి:
అదే విధంగా, అదే వాతావరణంలో పైథాన్ యొక్క స్కిపీ లైబ్రరీని ఇన్స్టాల్ చేయండి.
ఇప్పుడు, పర్యావరణంలో పైథాన్ యొక్క matplotlib లైబ్రరీని ఇన్స్టాల్ చేయండి.
పైథాన్ న్యూరల్ నెట్వర్క్ మోడల్లను నిర్వహించడానికి మెషిన్ లెర్నింగ్లో క్లస్టరింగ్ మరియు రిగ్రెషన్ అల్గారిథమ్లను ఉపయోగిస్తుంది. దీని కోసం, అవసరమైన ప్యాకేజీలను కాన్ఫిగర్ చేయడానికి “-u” ఎంపికతో పాటు మేము “పిప్” యుటిలిటీతో ఇన్స్టాల్ చేస్తున్న సైన్స్ కిట్ లెర్న్ లైబ్రరీని కలిగి ఉంది.
స్కికిట్ లైబ్రరీ ఇన్స్టాలేషన్ యొక్క ప్రాసెసింగ్ క్రింద చూపబడింది:
లోతైన అభ్యాసంలో విజువలైజేషన్ కోసం, మేము పైథాన్ యొక్క సీబోర్న్ లైబ్రరీని ఇన్స్టాల్ చేయాలి. కాబట్టి, మేము దానిని 'ఇన్స్టాల్' ప్రశ్నతో అదే వాతావరణంలో ఇన్స్టాల్ చేస్తున్నాము.
దశ 07: కేరాస్ లైబ్రరీని ఇన్స్టాల్ చేయండి
పైథాన్ యొక్క అన్ని అవసరమైన ముందస్తు లైబ్రరీలను ఇన్స్టాల్ చేసిన తర్వాత, మేము చివరకు పైథాన్ యొక్క వర్చువల్ వాతావరణంలో కేరాస్ను ఇన్స్టాల్ చేయవచ్చు. మాడ్యూల్ పేరుతో మా “ఇన్స్టాల్” ప్రశ్నలో “పిప్” యుటిలిటీ ఈ ప్రయోజనం కోసం ఉపయోగించబడుతుంది, అంటే “కేరాస్”. సిస్టమ్ దాని అవసరం ఇప్పటికే సంతృప్తి చెందిందని చూపిస్తే, ఇది ఇప్పటికే ఇన్స్టాల్ చేయబడి మరియు కాన్ఫిగర్ చేయబడిందని అర్థం.
ఇది ఇప్పటికే ఇన్స్టాల్ చేయబడకపోతే, ఈ ప్రశ్న ఒక సెకను ఆలస్యం లేకుండా వర్చువల్ ఎన్విరాన్మెంట్లో డౌన్లోడ్ చేయడం మరియు కాన్ఫిగర్ చేయడం ప్రారంభిస్తుంది మరియు ప్రాసెసింగ్ క్రింది విధంగా ప్రదర్శించబడుతుంది:
వర్చువల్ ఎన్విరాన్మెంట్లో “కేరాస్” లైబ్రరీ యొక్క పూర్తి కాన్ఫిగరేషన్ మరియు ఇన్స్టాలేషన్ తర్వాత, “పిప్ షో” ప్రశ్న ద్వారా షెల్లో దానికి సంబంధించిన పూర్తి సమాచారాన్ని చూపించాల్సిన సమయం ఆసన్నమైంది. ఈ “షో” క్వెరీని అమలు చేయడం వలన పైథాన్ యొక్క మా వర్చువల్ వాతావరణంలో ఇన్స్టాల్ చేయబడిన కేరాస్ వెర్షన్, దాని పేరు, దాని సారాంశం, దాని వెబ్ హోమ్పేజీ, రచయిత, రచయిత యొక్క ఇమెయిల్, లైసెన్స్, మా సిస్టమ్లో అది తీసుకునే స్థానం మరియు అనేకం ఉన్నాయి. క్రింద అందించిన విధంగా మరిన్ని:
పైథాన్ యొక్క కేరాస్ మరియు టెన్సర్ఫ్లో లైబ్రరీల యొక్క అత్యుత్తమ ఇన్స్టాలేషన్ల తర్వాత, మనం వర్చువల్ ఎన్విరాన్మెంట్ నుండి నిష్క్రమించాలి. దాని కోసం, షెల్లోని “క్రియారహితం” ప్రశ్నను ప్రయత్నించండి మరియు నిష్క్రమించండి.
దశ 08: అనకొండ క్లౌడ్ను ఇన్స్టాల్ చేయండి
పైథాన్లో 'అనకొండ' అనే క్లౌడ్ ఉంది, ఇది పైథాన్లో న్యూరల్ నెట్వర్క్ ఉదాహరణలను రూపొందించడానికి అవసరం. కాబట్టి, మేము దాని అమలు ఫైల్ను మా సిస్టమ్కు డౌన్లోడ్ చేసాము.
'ls' ప్రశ్న ప్రకారం ఈ ఫైల్ Linux మెషీన్ యొక్క ప్రస్తుత హోమ్ ఫోల్డర్లో ఉంది. మీరు ముందుగా ఇది చెక్సమ్ అని నిర్ధారించుకోవాలి, అంటే, sha256sum ప్రశ్న ద్వారా ఇది పూర్తిగా సరైనదేనా లేదా కాదా.
ఆ తర్వాత, మన సిస్టమ్లో “బాష్” సూచనను మరియు అదే కన్సోల్లోని ఫైల్ పేరును ఉపయోగించి మనం డౌన్లోడ్ చేసిన అనకొండ బాష్ ఫైల్ను ఇన్స్టాల్ చేయాలి. ఇన్స్టాలేషన్కు ముందు లైసెన్స్ ఒప్పందాన్ని సమీక్షించమని ఇది మమ్మల్ని అడుగుతోంది. కాబట్టి, మేము కొనసాగించడానికి 'Enter'ని నొక్కాము.
దాని లైసెన్స్ ఒప్పందాన్ని పూర్తి చేసిన తర్వాత, మేము నిబంధనలతో అంగీకరిస్తే 'అవును' నొక్కమని అది మమ్మల్ని అడుగుతుంది. అదే స్థలంలో దీన్ని ఇన్స్టాల్ చేయడాన్ని కొనసాగించడానికి మీరు ఎంటర్ను నొక్కాలి లేదా మీరు దీన్ని ఇన్స్టాల్ చేయాలనుకుంటున్న డైరెక్టరీకి పాత్ను వ్రాయండి. లేకపోతే, ఇన్స్టాలేషన్ను రద్దు చేయడానికి “Ctrl-c”ని ఉపయోగించండి.
ఇది ఈ ప్రక్రియలో ఇన్స్టాల్ చేయబడే ప్యాకేజీల యొక్క పొడవైన జాబితాను ప్రదర్శిస్తుంది. కొంత లావాదేవీ అమలు తర్వాత, ఇది ప్యాకేజీలను ఇన్స్టాల్ చేయడం ప్రారంభిస్తుంది.
కొంతకాలం తర్వాత, అనకొండ దాని అదనపు ప్యాకేజీలతో విజయవంతంగా ఇన్స్టాల్ చేయబడింది.
మీరు 'సక్రియం చేయి' ఫైల్ను anaconda ఫోల్డర్ నుండి 'మూలం' ప్రశ్న ద్వారా రూట్గా అమలు చేయాలి.
కింది ప్రశ్నను అమలు చేస్తూ అనకొండ నావిగేటర్ను ప్రారంభించి ప్రయత్నించండి.
కొత్త కొండా ఎన్విరాన్మెంట్ను సృష్టించడానికి మరియు పని చేయడానికి, కొత్త ఎన్విరాన్మెంట్ పేరు, అంటే PyCPU తర్వాత నేమ్ ఆప్షన్తో “కొండ సృష్టించు” సూచనను ప్రయత్నించండి.
ఈ ప్రక్రియకు కొత్త పర్యావరణాన్ని సృష్టించడంపై మా నిర్ధారణ అవసరం. 'y' నొక్కండి.
కొత్తగా తయారు చేయబడిన కొండా వాతావరణాన్ని సక్రియం చేయడానికి మరియు అమలు చేయడానికి, మీ కొత్త పర్యావరణం పేరుతో “కొండ యాక్టివేట్” ప్రశ్నను ఉపయోగించండి, అంటే, PyCPU పర్యావరణం ఇప్పుడు సక్రియం చేయబడింది.
దశ 09: Spyder IDEని ఇన్స్టాల్ చేయండి
పైథాన్ ప్రోగ్రామ్ల అమలు కోసం స్పైడర్ IDE తప్పనిసరిగా ఈ వాతావరణంలో ఇన్స్టాల్ చేయబడాలి. దీని కోసం, మేము PyCPU ఎన్విరాన్మెంట్ షెల్ వద్ద “స్పైడర్” కీవర్డ్తో కొండా ఇన్స్టాల్ ప్రశ్నను ప్రయత్నించాము.
స్పైడర్ని ఇన్స్టాల్ చేయడాన్ని కొనసాగించడానికి “y” నొక్కండి.
దశ 10: పాండాలు మరియు కేరాస్ లైబ్రరీని ఇన్స్టాల్ చేయండి
స్పైడర్ని ఇన్స్టాల్ చేసిన తర్వాత, -c ఎంపికతో కొండ ఇన్స్టాల్ క్వెరీని ఉపయోగించి అనకొండ వాతావరణంలో పాండా లైబ్రరీ ఆఫ్ పైథాన్ను ఇన్స్టాల్ చేయండి.
మళ్ళీ, కొనసాగించడానికి 'y' బటన్ను నొక్కండి.
పాండాల విజయవంతమైన కాన్ఫిగరేషన్ తర్వాత, అదే ప్రశ్నతో కేరాస్ లైబ్రరీని ఇన్స్టాల్ చేయండి.
'y' బటన్ను క్లిక్ చేసిన తర్వాత కొనసాగండి.
మీరు ఈ క్రింది విధంగా anaconda ప్రస్తుత ఎన్విరాన్మెంట్ కన్సోల్లో Spyder IDEని ప్రారంభించవచ్చు:
స్పైడర్ IDE లాంచ్ చేయడానికి సిద్ధమవుతోంది.
దాచిన ఫోల్డర్ “.keras” హోమ్ డైరెక్టరీలో ఉంది. కింది కాన్ఫిగరేషన్లను జోడించడానికి దాన్ని దాచిపెట్టి, దాని “keras.json” ఫైల్ని తెరవండి.
Windowsలో Keras మరియు TensorFlowని సెటప్ చేయండి
Windows వాతావరణంలో Keras మరియు TensorFlowని సెటప్ చేయడానికి, పైథాన్ భాషతో పాటు దాని “పిప్” లైబ్రరీ మరియు Anaconda నావిగేటర్ ఇప్పటికే సెటప్ చేయబడిందని మీరు నిర్ధారించుకోవాలి. దీన్ని సెటప్ చేసిన తర్వాత, మీరు దాన్ని మీ శోధన ప్రాంతం నుండి తెరిచి, “పర్యావరణాలు” ట్యాబ్లోకి తరలించాలి. ఈ ట్యాబ్లో, మీరు ప్రస్తుతం పని చేస్తున్న పర్యావరణం పేరును మీరు కనుగొంటారు, అనగా బేస్. దిగువ ప్రాంతంలో, మీరు క్రింది ట్యాబ్ను కనుగొంటారు. 'సృష్టించు' ఎంపికను నొక్కండి.
ఇక్కడ, మీరు 'TensorFlow' అనే కొత్త ఎన్విరాన్మెంట్ పేరుని సృష్టించాలి, అంటే, ప్రస్తుతం బేస్ ఎన్విరాన్మెంట్ లోపల ఉన్నాయి. ఉపయోగించాల్సిన పైథాన్ యొక్క తాజా సంస్కరణను ఎంచుకుని, కొనసాగించడానికి 'సృష్టించు' బటన్ను నొక్కండి.
పర్యావరణం లోడ్ కావడం ప్రారంభించినట్లు మీరు చూస్తారు.
కొంతకాలం తర్వాత, TensorFlow పర్యావరణం పూర్తిగా ఇన్స్టాల్ చేయబడుతుంది.
దాని ఎడమ వైపు నుండి, మీరు పైథాన్ కోసం ఇన్స్టాల్ చేయబడిన మరియు అందుబాటులో ఉన్న అన్ని లైబ్రరీలు మరియు మాడ్యూల్లను క్రింద అందించినట్లు చూడవచ్చు:
ఇప్పుడు, మనం ఈ ప్రాంతాన్ని ఉపయోగించి పైథాన్ యొక్క టెన్సర్ఫ్లో బ్యాకెండ్ లైబ్రరీని ఇన్స్టాల్ చేయాలి. శోధన పట్టీలో, 'TensorFlow' అని వ్రాసి, దానిని ఇన్స్టాల్ చేయడానికి చూపిన జాబితా నుండి అదే కేస్ ప్యాకేజీని గుర్తించండి. 'Keras' వంటి దాని ఉప-మాడ్యూల్లతో పాటు TensorFlow యొక్క ఇన్స్టాలేషన్ను కొనసాగించడానికి 'వర్తించు' బటన్పై నొక్కండి.
ఇది మన Anaconda వాతావరణంలో TensorFlow పని చేయడం మరియు కాన్ఫిగర్ చేయడం ప్రారంభించింది.
ఇన్స్టాలేషన్ సమయంలో ఇది అనకొండ ఎన్విరాన్మెంట్పై ఇన్స్టాల్ చేయబోయే ఉప-ప్యాకేజీల జాబితాను ప్రదర్శిస్తుంది. 'వర్తించు' బటన్ను పాట్ చేసి, అది పూర్తయ్యే వరకు కాసేపు వేచి ఉండండి.
కొంతకాలం తర్వాత, మీరు ఒకే మాడ్యూల్స్ ప్రాంతంలో అన్ని ఇన్స్టాల్ చేసిన ప్యాకేజీలను కనుగొంటారు. Keras లైబ్రరీ ఇతర ప్యాకేజీలతో ఇన్స్టాల్ చేయబడిందని మీరు చూడవచ్చు మరియు మేము దీన్ని ఇప్పుడు ఇన్స్టాల్ చేయాల్సిన అవసరం లేదు.
Windows శోధన పట్టీ నుండి, 'Jupyter' కీవర్డ్ని శోధించండి. 'జూపిటర్ నోట్బుక్ (టెన్సర్ఫ్లో)' పేరుతో ఉన్న అప్లికేషన్ ఇతరులతో పాటు చూపబడుతుంది. బ్యాకెండ్ టెన్సర్ఫ్లో ప్రారంభించబడిన జూపిటర్ నోట్బుక్ను ప్రారంభించడానికి దానిపై నొక్కండి. కొత్త పైథాన్ ఫైల్ను సృష్టించి, పని చేయడం ప్రారంభించండి.
హార్డ్ వయా డీప్ లెర్నింగ్
లోతైన అభ్యాసం తీసుకోవడం యొక్క లేయర్-బై-లేయర్ విశ్లేషణను కలిగి ఉంటుంది, ప్రతి లేయర్ క్రమంగా ఇన్పుట్ నుండి అధునాతన-స్థాయి వివరాలను సంగ్రహిస్తుంది. ఏ విధమైన న్యూరల్ నెట్వర్క్ను రూపొందించడానికి కేరాస్ ద్వారా పూర్తి ఫ్రేమ్వర్క్ అందించబడింది. కెరాస్, సృజనాత్మక మరియు అర్థం చేసుకోవడానికి చాలా సులభం. ఇది నాడీ నెట్వర్క్ మోడల్లను అత్యంత అమాయకత్వం నుండి అతిపెద్ద మరియు అత్యున్నతమైన కాంప్లెక్స్ వరకు అనుమతిస్తుంది.
ఆర్టిఫిషియల్ న్యూరల్ నెట్వర్క్ (ANN)
'ఆర్టిఫిషియల్ న్యూరల్ నెట్వర్క్' (ANN) మెథడాలజీ అనేది లోతైన అభ్యాసానికి అత్యంత విస్తృతంగా ఉపయోగించే మరియు ప్రాథమిక పద్ధతి. వారు మానవ మనస్సు నుండి వారి సూచనలను తీసుకుంటారు, మన శరీరం యొక్క సహజమైన అత్యంత సంక్లిష్టమైన భాగం, ఇది వారి నమూనాగా పనిచేస్తుంది. 'న్యూరాన్లు' అని పిలువబడే 90 బిలియన్లకు పైగా మైక్రోస్కోపిక్ కణాలు ఒక వ్యక్తి మెదడును తయారు చేస్తాయి. ఆక్సాన్లు మరియు డెండ్రైట్లు న్యూరాన్లను ఒకదానితో ఒకటి అనుసంధానించే నరాల ఫైబర్ల రకాలు. ఆక్సాన్ యొక్క ప్రాధమిక విధి ఒక లింక్డ్ న్యూరాన్ నుండి తదుపరిదానికి డేటాను పంపడం. మరింత సమాచారం కోసం, దయచేసి Google శోధన ఇంజిన్ నుండి శోధించండి.
కేరాస్ ఆర్కిటెక్చర్
Keras API ఆర్కిటెక్చర్ దిగువ జాబితా చేయబడిన మూడు ప్రధాన భాగాలుగా వర్గీకరించబడింది. ఒక్కొక్కరి దగ్గర ఒక్కో వేషం వేద్దాం.
- మోడల్
- పొర
- కోర్ మాడ్యూల్స్
హార్డ్ మోడల్
కేరాస్ మోడల్ ఖచ్చితంగా రెండు రకాలను కలిగి ఉంటుంది, అనగా సీక్వెన్షియల్ మరియు ఫంక్షనల్ API.
సీక్వెన్షియల్ మోడల్
ప్రాథమికంగా, సీక్వెన్షియల్ మోడల్ అనేది కేరాస్ లేయర్ల కాలక్రమానుసారం సంకలనం. సరళమైన, సరళమైన సీక్వెన్షియల్ మోడల్ ప్రస్తుతం వాడుకలో ఉన్న దాదాపు అన్ని న్యూరల్ నెట్వర్క్లను వివరించగలదు. సీక్వెన్షియల్ మోడల్ వెల్లడించే మోడల్ క్లాస్ని ఉపయోగించి అనుకూలీకరించిన మోడల్ను తయారు చేయవచ్చు. ఉప-క్లాసింగ్ విధానం మన స్వంత అధునాతన నమూనాను రూపొందించడానికి ఉపయోగించవచ్చు. సీక్వెన్షియల్ మోడల్ యొక్క ప్రదర్శన క్రింద ప్రదర్శించబడింది.
పొరలను జోడించండి
keras.models ద్వారా సీక్వెన్షియల్ మోడ్ దిగుమతి నుండి స్క్రిప్ట్ ప్రారంభించబడింది మరియు ఇతర లైన్ సీక్వెన్షియల్ మోడల్ను సృష్టిస్తోంది. ఆ తర్వాత, దట్టమైన లేయర్ను దిగుమతి చేయడం ఇన్పుట్ లేయర్ను సృష్టిస్తుంది మరియు మోడల్కి ఇన్పుట్ లేయర్ని జోడిస్తుంది. దాచిన దట్టమైన లేయర్ సృష్టించబడింది మరియు మోడల్కు జోడించబడింది మరియు అవుట్పుట్ దట్టమైన లేయర్కు అదే విధంగా ప్రదర్శించబడింది.
మోడల్ని యాక్సెస్ చేయండి
మీరు మీ మోడల్ లేయర్లు, అది ఉపయోగిస్తున్న ఇన్పుట్ డేటా మరియు దాని అవుట్పుట్ డేటాకు సంబంధించిన సమాచారాన్ని పొందవచ్చు. model.layers ఫంక్షన్ మిమ్మల్ని అన్ని లేయర్లను యాక్సెస్ చేయడానికి అనుమతిస్తుంది. model.inputs ఇన్పుట్ టెన్సర్లను చూపుతుంది మరియు model.output అవుట్పుట్ టెన్సర్లను ప్రదర్శిస్తుంది.
మోడల్ను క్రమీకరించండి
స్క్రిప్ట్లో ఉపయోగించిన మోడల్ను వస్తువుగా లేదా JSONగా తిరిగి ఇవ్వడం సులభం. ఉదాహరణకు, get_config() ఫంక్షన్ మోడల్ను ఎంటిటీ/ఆబ్జెక్ట్గా అందిస్తుంది. from_config() ఫంక్షన్ ఆబ్జెక్ట్ను పారామెట్రిక్ విలువగా ఉపయోగించి కొత్త మోడల్ను సృష్టిస్తుంది.
మీరు to_json() ఫంక్షన్ని ఉపయోగించి మీ మోడల్ని JSONకి మార్చవచ్చు.
మోడల్ సారాంశం
కొన్ని అదనపు సమాచారంతో పాటు మోడల్లో ఉపయోగించిన లేయర్లకు సంబంధించిన మొత్తం సారాంశాన్ని పొందడానికి, సారాంశం() ఫంక్షన్కు కాల్ చేయండి.
శిక్షణ ఇవ్వండి మరియు మోడల్ను అంచనా వేయండి
శిక్షణ మరియు అంచనా వేయడానికి, మేము కంపైల్ ఫంక్షన్, ఫిట్ ఫంక్షన్, ఫంక్షన్ను మూల్యాంకనం చేయడం మరియు ఈ విషయంలో ఫంక్షన్ను అంచనా వేయడం వంటివి ఉపయోగించాలి.
హార్డ్ పొరలు
న్యూరల్ నెట్వర్క్ల యొక్క సూచించబడిన మోడల్లోని ప్రతి ఇన్పుట్, దాచిపెట్టబడిన మరియు దిగుబడి లేయర్ నిజమైన మోడల్లోని వేరొక కేరాస్ లేయర్కు అనుగుణంగా ఉంటుంది. కేరాస్ లైబ్రరీ యొక్క పుష్కలంగా ముందుగా నిర్మించిన లేయర్లను ఉపయోగించి ఏదైనా అధునాతన న్యూరల్ నెట్వర్క్ త్వరగా అభివృద్ధి చెందుతుంది. మనకు వేర్వేరు కేరాస్ లేయర్లు ఉన్నాయి, అంటే కోర్ లేయర్లు, పూలింగ్ లేయర్లు, రిక్యూరెంట్ లేయర్లు మరియు కన్వల్యూషన్ లేయర్లు. మీరు వెబ్లో శోధించడం ద్వారా వాటిని అధ్యయనం చేయవచ్చు. మొదటి రెండు పంక్తులు సీక్వెన్షియల్ మోడ్, డెన్స్, యాక్టివేషన్ మరియు డ్రాప్అవుట్ లేయర్ని దిగుమతి చేస్తున్నాయి.
డ్రాప్అవుట్ సీక్వెన్షియల్ మోడల్ని సృష్టించడం కోసం మేము సీక్వెన్షియల్() APIని ప్రయత్నిస్తున్నాము. యాక్టివేషన్ మోడల్ “relu”ని ప్రసారం చేయడం ద్వారా మేము “డెన్స్” API ద్వారా దట్టమైన పొరను సృష్టిస్తున్నాము. దట్టమైన లేయర్ యొక్క ఓవర్-ఫిట్టింగ్ను తీర్చడానికి, మేము డ్రాప్అవుట్() APIని ఉపయోగిస్తున్నాము, అనగా డ్రాప్అవుట్() ఫంక్షన్ ద్వారా డ్రాప్అవుట్ లేయరింగ్. దీని తర్వాత, మేము ఇక్కడ “relu” యాక్టివేషన్ మోడల్తో మరింత దట్టమైన లేయర్ని ఉపయోగిస్తున్నాము. ఓవర్-ఫిట్టింగ్ నుండి దట్టమైన లేయర్లను హ్యాండిల్ చేయడానికి, మనం డ్రాప్అవుట్ లేయర్లను ఉపయోగించాలి. చివరికి, మేము 'softmax' రకం యాక్టివేషన్ మోడల్ని ఉపయోగించి మా చివరి దట్టమైన లేయర్లను ప్రసారం చేస్తున్నాము.
వంట చేసేటప్పుడు మీరు ఎప్పుడైనా పొరలు వేయడం చేసారా? అలా అయితే, ఈ భావన మీకు అర్థం చేసుకోవడం కష్టం కాదు. ఒక స్థాయి ఫలితం తదుపరి లేయర్కి ఇన్పుట్ డేటాగా పనిచేస్తుంది. సరికొత్త పొరను నిర్మించడానికి అవసరమైన ప్రాథమిక అంశాలు ఇక్కడ ఉన్నాయి:
- ఇన్పుట్ డేటా ఆకారం
- ఒక పొరలో మొత్తం న్యూరాన్లు/యూనిట్లు
- ఇనిషియలైజర్లు
- రెగ్యులరైజర్లు
- అవరోధాల
- యాక్టివేషన్లు
ఇన్పుట్ డేటా ఆకారం
పైథాన్ భాషలో, ప్రతి విధమైన ఇన్పుట్ పూర్ణాంకాల శ్రేణిగా మార్చబడింది మరియు అల్గోరిథం మోడల్కు జోడించబడింది. పైథాన్లో, మన అవసరానికి అనుగుణంగా అవుట్పుట్ పొందడానికి ఇన్పుట్ ఆకారాన్ని పేర్కొనాలి. కింది ఉదాహరణలలో, మేము ఇన్పుట్ ఆకారాన్ని (3,3), అంటే 3 అడ్డు వరుసలు మరియు 3 నిలువు వరుసలను పేర్కొన్నాము. అవుట్పుట్ మాతృకను ప్రదర్శిస్తోంది.
ఇనిషియలైజర్లు
ఇన్పుట్ డేటా కోసం నిర్దిష్ట బరువును పేర్కొనడానికి Keras Layers యొక్క ఇనిషియలైజర్స్ మాడ్యూల్ మాకు అనేక ఫంక్షన్లను అందిస్తుంది. ఉదాహరణకు, సున్నాలు() ఫంక్షన్ అన్నింటికీ 0ని నిర్దేశిస్తుంది, వాటిని() అన్నింటికీ నిర్దేశిస్తుంది మరియు స్థిరాంకం() ఫంక్షన్ అన్నింటికీ మరియు మరిన్నింటికి వినియోగదారుచే జోడించబడిన నిర్దిష్ట స్థిరమైన విలువను నిర్దేశిస్తుంది. మెరుగైన అవగాహన కోసం, గుర్తింపు మాతృకను రూపొందించడానికి మేము గుర్తింపు() ఫంక్షన్ని ఉపయోగించాము. మిగిలిన ఫంక్షన్లను సెర్చ్ ఇంజన్ నుండి కూడా శోధించవచ్చు.
అవరోధాల
లేయర్ యొక్క 'బరువు' పరామితిపై పరిమితులను వర్తింపజేయడానికి వివిధ నిరోధక విధులు అందుబాటులో ఉన్నాయి, అనగా, ప్రతికూలత లేనివి, యూనిట్ ప్రమాణం, గరిష్ట ప్రమాణం, minmaxnorm మరియు మరెన్నో. కింది దృష్టాంతంలో, మేము బరువు కంటే తక్కువ లేదా సమానంగా పరిమితి ప్రమాణాన్ని వర్తింపజేసాము. “max_value” పరామితి అనేది వర్తింపజేయవలసిన పరిమితి యొక్క ఎగువ సరిహద్దు మరియు అక్షం అనేది పరిమితిని వర్తించే పరిమాణం, అనగా పరిమాణం 1.
రెగ్యులరైజర్లు
ఆప్టిమైజేషన్ మొత్తం, ఇది లేయర్ ప్రాపర్టీపై వివిధ ఛార్జీలను విధిస్తుంది. అలా చేయడానికి ఇది కొన్ని ఫంక్షన్లతో ముందుకు వచ్చింది, అంటే, L1 రెగ్యులరైజర్, L2 రెగ్యులరైజర్ మరియు 'LI మరియు L2' రెగ్యులరైజర్. L1 రెగ్యులరైజర్ ఫంక్షన్ యొక్క సరళమైన ఉదాహరణ ఇక్కడ ఉంది:
యాక్టివేషన్లు
నిర్దిష్ట న్యూరాన్ సక్రియంగా ఉందో లేదో తెలుసుకోవడానికి యాక్టివేషన్ ఫంక్షన్ అని పిలువబడే ఒక ప్రత్యేక ఫంక్షన్ ఉపయోగించబడుతుంది. యాక్టివేషన్ ఫంక్షన్ ఇన్కమింగ్ డేటాను సంక్లిష్ట పద్ధతిలో మారుస్తుంది, ఇది న్యూరాన్లను మరింత ప్రభావవంతంగా అధ్యయనం చేయడంలో సహాయపడుతుంది. దిగువ అందించిన ఉదాహరణలలో అందించబడిన అనేక క్రియాశీలత పద్ధతులు ఇక్కడ ఉన్నాయి:
హార్డ్ మాడ్యూల్స్
ప్రోగ్రామింగ్ మాడ్యూల్స్ సాధారణంగా విభిన్న మరియు నిర్దిష్ట ప్రయోజనాల కోసం ఉపయోగించాల్సిన విధులు, తరగతులు మరియు వేరియబుల్లను కలిగి ఉంటాయని మనకు తెలుసు. అదే విధంగా, పైథాన్ యొక్క కేరాస్ లైబ్రరీలో అనేక మాడ్యూల్స్ ఉన్నాయి. మీరు వెబ్ నుండి Keras మాడ్యూల్స్ గురించి అవసరమైన అన్ని జ్ఞానాన్ని పొందవచ్చు.
బ్యాకెండ్
TensorFlow మరియు Theano వంటి పైథాన్ యొక్క బ్యాకెండ్ లైబ్రరీలను ఉపయోగించడానికి రూపొందించబడిన 'బ్యాకెండ్' మాడ్యూల్ దాని అత్యంత ప్రసిద్ధ మరియు ఉపయోగించిన మాడ్యూల్లలో ఒకటి. బ్యాకెండ్ మాడ్యూల్ని ఉపయోగించి, మనం టెన్సర్ఫ్లో మరియు థియానో లైబ్రరీ నుండి వీలైనన్ని ఎక్కువ బ్యాకెండ్ ఫంక్షన్లను ఉపయోగించుకోవచ్చు. బ్యాకెండ్ లైబ్రరీ మాడ్యూల్ని ఉపయోగించడానికి, మనం దాచిన .keras ఫోల్డర్లో సృష్టించిన “keras.json” కాన్ఫిగరేషన్ ఫైల్లో ఉపయోగించాల్సిన బ్యాకెండ్ లైబ్రరీని పేర్కొనాలి. డిఫాల్ట్గా, బ్యాకెండ్ “TensorFlow”గా పేర్కొనబడింది, కానీ మీరు దానిని వేరే వాటికి మార్చవచ్చు, అంటే Theano లేదా CNTK.
మా ఉదాహరణలో, మేము టెన్సర్ఫ్లో లైబ్రరీని బ్యాకెండ్గా ఉపయోగిస్తాము. రూట్ “keras” ఫోల్డర్ యొక్క keras.json ఫైల్ నుండి బ్యాకెండ్ కాన్ఫిగరేషన్లను లోడ్ చేయడానికి, ఉపయోగించండి:
- కేరాస్ దిగుమతి బ్యాకెండ్ నుండి k
keras.json ఫైల్ నుండి బ్యాకెండ్ని విజయవంతంగా దిగుమతి చేసిన తర్వాత, పొందవలసిన వేరియబుల్తో వేరియబుల్ “k”ని ఉపయోగించి బ్యాకెండ్ సమాచారాన్ని పొందే సమయం ఆసన్నమైంది. ముందుగా, “బ్యాకెండ్()” ఫంక్షన్ని ఉపయోగించి మనం ఉపయోగిస్తున్న మరియు ఇప్పటికే దిగుమతి చేసుకున్న బ్యాకెండ్ పేరును మేము పొందుతున్నాము. ఇది 'టెన్సార్ఫ్లో'ని దాని బ్యాకెండ్ విలువగా అందిస్తుంది. బ్యాకెండ్ యొక్క ఫ్లోట్ విలువను పొందడానికి, మేము కెరాస్ యొక్క “k” వేరియబుల్ ఆబ్జెక్ట్ ద్వారా floatx() ఫంక్షన్ని పిలుస్తున్నాము. మేము float32 విలువను ఉపయోగిస్తున్నామని ఇది చూపుతోంది.
ఇమేజ్ డేటా ఆకృతిని పొందడానికి, “k” వేరియబుల్తో image_Data_format() ఫంక్షన్ని ఉపయోగించండి. దీన్ని ఉపయోగించినప్పుడు, మా బ్యాకెండ్ “channels_last” ఇమేజ్ డేటా ఫార్మాట్ని ఉపయోగిస్తోందని చూపిస్తుంది. బ్యాకెండ్ కోసం ఘాతాంక శక్తిని పొందడానికి, 'k' వేరియబుల్తో epsilon() ఫంక్షన్ని కాల్ చేయండి. బ్యాకెండ్ “07” యొక్క ఘాతాంక శక్తిని ఉపయోగిస్తుందని ఇది చూపుతుంది. బ్యాకెండ్ సమాచారాన్ని పొందడం గురించి అంతే.
Get_uid() ఫంక్షన్
TensorFlow దాని కార్యాచరణను అర్థం చేసుకోవడానికి కొన్ని బ్యాకెండ్ ఫంక్షన్లను పరిశీలించాల్సిన సమయం ఆసన్నమైంది. మేము ఉపయోగిస్తున్న డిఫాల్ట్ గ్రాఫ్ను గుర్తించడానికి ఉపయోగించబడే దాని అత్యంత ఎక్కువగా ఉపయోగించే బ్యాకెండ్ ఫంక్షన్లలో ఒకటి “get_uid() ఫంక్షన్. ఉపసర్గ=’’ పరామితితో దీన్ని ఉపయోగించడం వలన “1” తిరిగి వస్తుంది, అనగా, వినియోగం ప్రకారం. మళ్ళీ, దాన్ని ఉపయోగించడం వలన మనం మళ్లీ కాల్ చేస్తున్నందున “2” తిరిగి వస్తుంది మరియు గ్రాఫ్ విలువ పెరిగింది. “reset_uids” ఫంక్షన్ని ఉపయోగించిన తర్వాత, గ్రాఫ్ యూజర్ ID విలువ 0కి రీసెట్ చేయబడుతుంది. అందుకే, get_uid() ఫంక్షన్ని మరోసారి ఉపయోగించడం ద్వారా దాన్ని 1 పెంచుతారు.
ప్లేస్హోల్డర్() ఫంక్షన్
టెన్సర్ వివిధ డైమెన్షనల్ ఆకృతులను ఉంచడానికి ప్లేస్హోల్డర్() ఫంక్షన్ని ఉపయోగిస్తోంది. ఉదాహరణకు, కింది దృష్టాంతంలో, మేము Keras వేరియబుల్ “k” ద్వారా 3-D చిత్రాన్ని టెన్సర్లో ఉంచడానికి మరియు దానిని మరొక వేరియబుల్ “d”కి సేవ్ చేయడానికి ఉపయోగిస్తున్నాము. వేరియబుల్ “d” యొక్క అవుట్పుట్ ప్లేస్హోల్డర్లో ఉపయోగించే ఆకారం యొక్క లక్షణాలను చూపుతోంది.
ప్లేస్హోల్డర్ “d”లో సేవ్ చేయబడిన విలువ ఆకారాన్ని ప్రదర్శించడానికి “int_shape()” ఫంక్షన్ ఉపయోగించబడుతుంది.
డాట్() ఫంక్షన్
మీరు ఎప్పుడైనా రెండు వెక్టర్లను గుణించారా? అలా అయితే, రెండు టెన్సర్లను గుణించడం మీకు సవాలుగా ఉండదు. దీని కోసం, బ్యాకెండ్ లైబ్రరీ 'డాట్' ఫంక్షన్తో ముందుకు వచ్చింది. ముందుగా, రెండు వేర్వేరు ఆకృతులను పట్టుకోవడానికి, మేము ప్లేస్హోల్డర్() ఫంక్షన్లోని ఆకార విలువలను మొదటి 2 పంక్తులలో “x” మరియు “y” అనే రెండు హోల్డర్లను సృష్టించడానికి ఉపయోగిస్తున్నాము. డాట్() ఫంక్షన్ 'x' మరియు 'y' హోల్డర్లను టెన్సర్లను రెండిటిని గుణించడానికి మరియు ఫలితాన్ని మరొక వేరియబుల్ 'z'కి సేవ్ చేస్తుంది. ప్రింటింగ్ కోసం “z” టెన్సర్ని ఉపయోగించినప్పుడు, అది స్క్రీన్పై గుణించిన ఫలిత టెన్సర్ ఆకారాన్ని (1, 5) ప్రదర్శిస్తుంది.
వన్స్() ఫంక్షన్
బ్యాకెండ్ మాడ్యూల్ యొక్క వన్() ఫంక్షన్ ఒక నిర్దిష్ట ఆకారం యొక్క అన్ని విలువలను 1కి ప్రారంభించడం కోసం ప్రసిద్ది చెందింది. ఉదాహరణకు, మేము టెన్సర్ ఆకారంలో (3,3) వన్స్() ఫంక్షన్ని ఉపయోగిస్తాము మరియు ఫలితాన్ని సేవ్ చేస్తున్నాము వేరియబుల్ 'v'. వేరియబుల్ “v” విలువను అంచనా వేయడానికి మరియు పైథాన్ వాతావరణంలో ప్రదర్శించడానికి eval() ఫంక్షన్ ఇక్కడ నిలిపివేయబడింది. ప్రతిఫలంగా, ఇది ఆకారాన్ని (3,3) ఫ్లోట్32 డేటా రకంతో అన్ని వాటి యొక్క అర్రే మ్యాట్రిక్స్గా మార్చింది.
Batch_dot() ఫంక్షన్
టెన్సర్ బ్యాచ్ మోడల్ను అప్డేట్ చేయడానికి ముందు క్రమబద్ధీకరించడానికి మొత్తం నమూనాలను నిర్దేశిస్తుంది. TensorFlow బ్యాకెండ్ యొక్క batch_dot() ఫంక్షన్ ప్రధానంగా రెండు వేర్వేరు బ్యాచ్ డేటా యొక్క గుణకార ఫలితాన్ని కనుగొనడానికి ఉపయోగించబడుతుంది. కాబట్టి, మేము రెండు టెన్సర్ వేరియబుల్స్ v1 మరియు v2ని సృష్టించాము మరియు వాటిని ఇన్పుట్గా v1 మరియు v2లో సేవ్ చేయడానికి ఇన్పుట్() ఫంక్షన్ని ఉపయోగించాము. ఆ తర్వాత, మేము టెన్సర్ వేరియబుల్స్, v1 మరియు v2 రెండింటిలోనూ batch_dot() ఫంక్షన్ని ప్రయత్నిస్తున్నాము మరియు ఫలిత విలువ మరొక వేరియబుల్ “v3”కి సేవ్ చేయబడుతుంది. వేరియబుల్ v3ని ముద్రించినప్పుడు, మేము ఫలిత ఆకృతిని (2,2) కనుగొన్నాము.
వేరియబుల్ ఫంక్షన్
మీరు ఎప్పుడైనా ఏదైనా ఇతర భాషలో పని చేసి ఉంటే, మీరు 'var' అనే కీవర్డ్తో లేదా అది లేకుండా అనేక వేరియబుల్లను ప్రారంభించి ఉండవచ్చు. చాలా సార్లు, మీరు పూర్ణాంకం, స్ట్రింగ్ లేదా అక్షరం వంటి వాటి డేటా రకాలతో వేరియబుల్లను ప్రారంభించి ఉండవచ్చు. పైథాన్ కేరాస్ లైబ్రరీలో, నమూనాల రూపంలో కొంత టెన్సర్ డేటాపై వేరియబుల్() ఫంక్షన్ని ఉపయోగించి మనం ఏదైనా వేరియబుల్ని సృష్టించవచ్చు.
కింది ఇమేజ్లో, కేరాస్ ఆబ్జెక్ట్ “k”తో వేరియబుల్() ఫంక్షన్లో నమూనా రెండు జాబితా డేటాను జోడించడం ద్వారా మేము వేరియబుల్ “d”ని సృష్టించాము. ఈ వేరియబుల్ని జోడించిన తర్వాత, కేరాస్ ఆబ్జెక్ట్ “k” ద్వారా దానిలోని నమూనా డేటా యొక్క ట్రాన్స్పోజ్ని తెలుసుకోవడానికి మేము ఈ వేరియబుల్ “d”పై ట్రాన్స్పోజ్() ఫంక్షన్ని పిలుస్తున్నాము. ఫలితంగా ట్రాన్స్పోజ్ వేరియబుల్ “వాల్”కి సేవ్ చేయబడుతుంది. “val” ఫలిత వేరియబుల్ విలువను ముద్రించడానికి పైథాన్ భాష యొక్క ప్రింట్ స్టేట్మెంట్ ఇక్కడ ఉపయోగించబడింది. ప్రింట్ స్టేట్మెంట్ మనం వేరియబుల్ “d”కి వర్తింపజేసిన ఫంక్షన్ ఎంపికను మరియు ప్రతి జాబితాలోని మొత్తం మూలకాల సంఖ్యను ప్రదర్శిస్తోంది.
దీని తర్వాత, వేరియబుల్ “d”కి జోడించబడిన నమూనాల బదిలీని పొందడానికి “val” వేరియబుల్పై “eval” ఫంక్షన్ని ప్రయత్నించాము మరియు ప్రింట్ ఫంక్షన్ దానిని ప్రదర్శిస్తోంది. మీరు అవుట్పుట్లో రెండు జాబితాల బదిలీని చూడవచ్చు.
మునుపటి కోడ్ ఇలస్ట్రేషన్ ఏదైనా నిర్దిష్ట పైథాన్ లైబ్రరీని దిగుమతి చేయకుండా సాధారణ పైథాన్ ఫంక్షన్లను ఉపయోగించడం ద్వారా సాధించబడింది. రెండు డేటా సెట్ల 'బదిలీ'ని NumPy శ్రేణులను ఉపయోగించి కనుగొనవచ్చు. దీని కోసం, మేము ప్రారంభంలో NumPy లైబ్రరీని “n”గా దిగుమతి చేసుకోవాలి. ప్రాథమిక ఆకృతి ఒకటే, కానీ మనం 'వేరియబుల్' కీవర్డ్ని ఉపయోగించకుండా 'అరే' కీవర్డ్తో సెట్ చేసిన షేప్ డేటాను ప్రారంభించాలి. నమూనా NumPy శ్రేణిని వేరియబుల్ “d”కి తిరిగి ఉంచాలి. అదే NumPy ఆబ్జెక్ట్ “n” “d” వేరియబుల్పై ట్రాన్స్పోజ్() ఫంక్షన్ని కాల్ చేయడానికి మరియు దాని ఫలితాన్ని వేరియబుల్ “val”కి సేవ్ చేయడానికి ఉపయోగించబడుతుంది.
ప్రింట్ స్టేట్మెంట్ దాని ట్రాన్స్పోజ్ టెన్సర్ను ప్రదర్శించడానికి దానిలోని “వాల్” వేరియబుల్ని పిలుస్తోంది. మీరు చూడగలరు, 'val' వేరియబుల్ యొక్క ఫలితంగా బదిలీ చేయబడిన విలువను ప్రదర్శించడానికి, మాకు ఇక్కడ 'eval' ఫంక్షన్ అవసరం లేదు. ఇప్పుడు, మేము 'd' వాదనతో వేరియబుల్ ఫంక్షన్ని ఉపయోగించాము మరియు ఫలితాన్ని వేరియబుల్ 'z'కి సేవ్ చేసాము. ఆర్గ్యుమెంట్ విలువ “z”ని జోడించడం ద్వారా ప్రింట్ స్టేట్మెంట్ను ప్రయత్నించిన తర్వాత, పై వేరియబుల్ ఉదాహరణలో మనం ప్రయత్నించిన మునుపటి ఫార్మాట్లోనే ఇది అవుట్పుట్ను ప్రదర్శిస్తుంది.
Is_sparse() ఫంక్షన్
టెన్సర్లో 'స్పేర్స్' అనే పదం సున్నాలు ఎక్కువగా ఉండే ఎంట్రీలను కలిగి ఉండే స్పేర్స్ టెన్సర్ కోసం ఉపయోగించబడుతుంది. ఈ ఉదాహరణలో, టెన్సర్లో ఎక్కువ సున్నాలు ఉన్నాయో లేదో తనిఖీ చేయడానికి మేము బ్యాకెండ్ మాడ్యూల్ యొక్క is_sparse() ఫంక్షన్ని ఉపయోగిస్తాము.
మొదట, మేము టెన్సర్ ఆకారాన్ని (3,3) ఉంచడానికి ప్లేస్హోల్డర్() ఫంక్షన్ని పిలుస్తున్నాము, దానితో పాటుగా స్పేర్స్ ట్రూ సెట్ చేయబడింది. ఈ ప్లేస్హోల్డర్ విలువ మార్చగల “x”కి ఉంచబడుతుంది మరియు ప్రదర్శించబడుతుంది. అవుట్పుట్ ప్లేస్హోల్డర్ వేరియబుల్ “x”కి సంబంధించిన సమాచారాన్ని ప్రదర్శిస్తోంది.
ఉదాహరణకు, దాని డేటా రకం, ఆకారం మరియు ఫంక్షన్ దీనికి వర్తించబడుతుంది. దీని తర్వాత, మేము దానిలోని is_Sparse() ఫంక్షన్కి కాల్ చేస్తూ మరోసారి ప్రింట్ స్టేట్మెంట్ని ప్రయత్నించాము. ఈ ఫంక్షన్ 'x' టెన్సర్ తక్కువగా ఉందా లేదా అనేదానిని ప్రదర్శించడానికి 'x' వేరియబుల్ని దాని వాదనగా తీసుకుంటోంది. అవుట్పుట్ 'నిజం' ప్రదర్శిస్తుంది.
To_dense() ఫంక్షన్
దట్టమైన టెన్సర్ అనేది సమాచారాన్ని ప్రక్కనే ఉన్న పద్ధతిలో నిల్వ చేయడానికి మరియు సమాచారం యొక్క విలువలను సూచించడానికి మెమరీ యొక్క కాలక్రమానుసారం బ్లాక్ను ఉపయోగించినట్లు చెప్పబడింది. బ్యాకెండ్ మాడ్యూల్ యొక్క “to_dense()” ఫంక్షన్ స్పేర్స్ టెన్సర్ను దట్టమైన టెన్సర్గా మారుస్తుంది. అందువల్ల, వేరియబుల్ “x”కి టెన్సర్ని జోడించడానికి మేము అదే ప్లేస్హోల్డర్ ఫంక్షన్ని తీసుకుంటున్నాము మరియు ఈ టెన్సర్ “స్పేర్స్”కి సెట్ చేయబడింది.
“to_dense()” ఫంక్షన్ దట్టమైన టెన్సర్ వేరియబుల్ “x”కి వర్తింపజేయబడుతుంది, అనగా, దానిని దట్టమైన టెన్సర్గా మార్చడానికి మరియు దానిని మరొక వేరియబుల్ “res”కి సేవ్ చేయడానికి. ఇప్పుడు, 'res' అనేది దట్టమైన టెన్సర్. “res” వేరియబుల్ను ప్రింట్ చేయడానికి ప్రింట్ స్టేట్మెంట్ ఆఫ్ చేయబడింది. “res” వేరియబుల్ కోసం ప్రింట్ స్టేట్మెంట్ల ఉపయోగం “res” కన్వర్టెడ్ వేరియబుల్కు సంబంధించిన సమాచారాన్ని ప్రదర్శిస్తుంది, అనగా, విజయవంతంగా స్పేర్స్ను దట్టంగా మార్చింది మరియు చాలా ఎక్కువ.
అప్పుడు, వేరియబుల్ “res” స్పేర్స్ కాదా అని తనిఖీ చేయడానికి దానిలోని is_sparse() ఫంక్షన్ని ఉపయోగించడం ద్వారా మరొక ప్రింట్ ఫంక్షన్ అంటారు. అవుట్పుట్ వేరియబుల్ “res” చాలా తక్కువగా లేదని చూపుతోంది, అంటే, మేము దానిని ఇప్పటికే “డెన్సర్” టెన్సర్గా మార్చాము.
Random_uniform_variable() ఫంక్షన్
Keras బ్యాకెండ్ మాడ్యూల్లోని random_uniform_variable() ఫంక్షన్ ప్రత్యేకంగా ఏకరీతి పంపిణీ ద్వారా టెన్సర్ని ప్రారంభించడం కోసం రూపొందించబడింది. దీనికి మొత్తం మూడు వాదనలు అవసరం. టుపుల్ రూపంలో ఆకారం యొక్క అడ్డు వరుసలు మరియు నిలువు వరుసలను నిర్వచించడానికి మొట్టమొదటి వాదన 'ఆకారం' ఉపయోగించబడుతుంది. మీరు గణితం చేసి ఉంటే, మీరు సగటు మరియు ప్రామాణిక విచలనం యొక్క భావనను నేర్చుకొని ఉండవచ్చు.
random_uniform_variable() పద్ధతిలో, తదుపరి రెండు ఆర్గ్యుమెంట్లు ఏకరీతి పంపిణీ నుండి సగటు మరియు సాధారణ విచలనం. ఈ ఉదాహరణలో, మేము random_uniform_variable() ఫంక్షన్ ద్వారా ప్రామాణిక ఏకరీతి పంపిణీని ఉపయోగించి “x” మరియు “y” అనే రెండు టెన్సర్లను ప్రారంభించాము. రెండు టెన్సర్లు వేర్వేరు ఆకార ఆకృతులను కలిగి ఉంటాయి, అనగా, అదే సగటు మరియు ప్రామాణిక విచలనం కలిగిన అడ్డు వరుసలు మరియు నిలువు వరుసలు, అంటే, తక్కువ=0 మరియు అధిక=1.
దీని తర్వాత, మేము గుణకారం కోసం దానిలోని “x” మరియు “y” టెన్సర్లను తీసుకొని “డాట్” ఫంక్షన్ను ప్రసారం చేస్తున్నాము. ఈ గుణకారం యొక్క ఫలితం వేరియబుల్ “z”కి సేవ్ చేయబడుతుంది. చివరికి, ఫలిత టెన్సర్ “z” ఆకారాన్ని ప్రదర్శించడానికి int_shape() తప్పనిసరిగా ఉపయోగించాలి. అవుట్పుట్ టెన్సర్ (2,2)ని చూపుతోంది.
యుటిల్స్
మీరు పైథాన్ యొక్క లోతైన అభ్యాస భావన నుండి చాలా ఉపయోగకరమైన కొన్ని ఫంక్షన్లను ఉపయోగించాలనుకుంటే, మీరు మీ స్క్రిప్ట్లలో కేరాస్ లైబ్రరీ యొక్క యుటిల్స్ మాడ్యూల్ను తప్పనిసరిగా ఉపయోగించాలి. ఉదాహరణకు, మీరు మీ డేటాను HDF5Matrix ఆకృతిలో ప్రదర్శించాలనుకుంటే, మీరు HDF5Matrix తరగతిని దిగుమతి చేసుకోవాలి మరియు దాని HDF5Matrix ఫంక్షన్ని స్క్రిప్ట్లో ఉపయోగించాలి.
To_categorical() ఫంక్షన్
ఈ ఫంక్షన్ క్లాస్ వెక్టార్ను మ్యాట్రిక్స్గా మార్చడానికి మిమ్మల్ని అనుమతిస్తుంది, అనగా బైనరీ క్లాస్ మ్యాట్రిక్స్. మేము యుటిల్స్ మాడ్యూల్ నుండి to_categorical() ఫంక్షన్ని దిగుమతి చేసాము మరియు వెక్టర్ “A”ని ప్రారంభించాము. వెక్టార్ “A” to_categorical() ఫంక్షన్కి పాస్ చేయబడింది. ఈ క్లాస్ వెక్టర్ “A” కోసం బైనరీ మ్యాట్రిక్స్ ప్రదర్శించబడింది.
print_summary() ఫంక్షన్
మన వాతావరణంలో మనం వదిలివేస్తున్న మోడల్ సారాంశాన్ని ప్రింట్ అవుట్ చేయడానికి, print_summary ఫంక్షన్ ఉపయోగించబడింది.
ప్లాట్_మోడల్() ఫంక్షన్
plot_model() ఫంక్షన్ మోడల్ను డాట్ ఫార్మాట్లో సూచిస్తుంది మరియు దానిని డాక్యుమెంట్లో సేవ్ చేయడానికి మిమ్మల్ని అనుమతిస్తుంది.
ముగింపు
మొత్తానికి, ప్రతిదీ వేగంగా అభివృద్ధి చెందుతోంది మరియు సాంకేతికత చాలా వేగంగా అభివృద్ధి చెందుతోంది కాబట్టి పైథాన్ భాష నేటి యుగానికి అవసరమైన భాష అని మనం చెప్పగలం. ఈ లెర్నింగ్ గైడ్లైన్ అంతటా, మేము డీప్ లెర్నింగ్ మరియు ఆర్టిఫిషియల్ న్యూరల్ నెట్వర్క్లలో పైథాన్ కేరాస్ లైబ్రరీని ఉపయోగించాము. దీని కోసం, స్పష్టమైన అవగాహన పొందడానికి మేము దాని బ్యాకెండ్ లైబ్రరీ “టెన్సర్ఫ్లో” యొక్క ప్రాముఖ్యత మరియు వినియోగాన్ని కూడా పరిశీలించాము. అదనంగా, మేము Ubuntu 20.04 Linux ఆపరేటింగ్ సిస్టమ్లో పైథాన్లో Keras మరియు Anaconda వాతావరణాన్ని సెటప్ చేయడానికి అవసరమైన ప్రతి కాన్ఫిగరేషన్ను చర్చించాము మరియు వివరించాము. దీని తర్వాత, మేము కేరాస్ మోడల్లు, లేయర్లు మరియు మాడ్యూల్స్తో పాటు వాటి ఎక్కువగా ఉపయోగించే ఫంక్షన్లను ఒక్కొక్కటిగా క్షుణ్ణంగా చర్చించాము. ఫంక్షన్ API మోడల్ యొక్క ప్రదర్శన కోసం, దయచేసి అధికారిక డాక్యుమెంటేషన్ కోసం తనిఖీ చేయండి.