Sert

Derin öğrenme algoritmaları oluşturmak için en etkili ve kullanıcı dostu Eklentiler arasında, TensorFlow veya CNTK gibi iyi bilinen derin öğrenme çerçevelerinin üzerine inşa edilecek Keras adlı Python tabanlı yükseltilmiş yapay sinir çerçevesi bulunur. Daha derin sinir ağlarını kullanarak daha hızlı keşif sağlamak için kullanıcı dostu, genişletilebilir ve uyarlanabilir olarak tasarlanmıştır. Hem İleri Beslemeli hem de Geri Çekilebilir Ağları ayrı ayrı ve birleşik olarak işler. Onları yönetemediğinden küçük işlemleri ele almak için Arka Uç paketini kullanır. Keras'ın konuşlandırılması, derin öğrenmenin temelleri, Keras yapıları, Keras katmanları, Keras paketleri ve gerçek zamanlı programlama bu derste ele alınacaktır.

Linux'ta Keras'ı Kurun

Adım 01: Sistemi Güncelleyin

Python'un “Keras” kitaplığının kullanımının tam gösterimini yapmadan önce, daha sonraki kurulumları kolaylaştırmak için Linux makinemizi tamamen güncellememiz gerekiyor. Bunun için sistemin yerleşik uygulamalarından hızlı bir şekilde “konsol” uygulamasını açmamız gerekiyor. Belirli bir sorgu alanına, sahip olduğumuz sistemi hızlı bir şekilde güncellemek için “apt” yardımcı programı ve “sudo” ayrıcalığı ile Linux'un “güncelleme” sorgusunu ekledik. Sistemimizin düzgün bir şekilde güncellenebilmesi için bu işleme devam etmek için kullanıcı şifremiz istenmiştir.

Adım 02: Python ve Pip'i Kurun

Keras ve TensorFlow aracılığıyla Derin Öğrenmenin kullanımı için makinemizde Python'un en son sürümünün yapılandırılmış olması gerekir. Bu nedenle Python'un güncellenmiş paketini ve gerekli “pip” yardımcı programını sistemimize kurmaya başlıyoruz. Bunun için, Shell'deki “install” sorgusunda Ubuntu 20.04 Linux sisteminin “apt” yardımcı programını ve ardından kurulacak paketlerin adlarını, yani Python3 ve Python3-pip'i tekrar kullanmalıyız. Bu basit sorgunun konsol alanında yürütülmesi üzerine sistem her iki paketi de sistemimizde kurmaya ve yapılandırmaya başlayacaktır.

Öte yandan, sisteminizde Python için 'pip' yardımcı programının eski bir sürümü yüklüyse, ilerlemeden önce onu güncellemelisiniz.

Python'un başarılı bir şekilde yapılandırılmasından ve 'pip' yardımcı programından sonra, yakın gelecekte herhangi bir sorunla karşılaşmamak için Python için Setuptools'u yükseltmenin zamanı geldi. Bu nedenle, Kurulum araçlarını, yani kurulum araçlarını yükseltmeyi yüklemek için “pip3” yardımcı programı ve – yükseltme seçeneği ile kurulum sorgusunu denedik. Sistemimiz için elimizdeki mevcut şifreyi soruyor ve ekledik.

Adım 03: TensorFlow'u yükleyin

Makine öğrenimi ve denetimli sinir modelleri oluşturmak için TensorFlow, en iyi bilinen sembolik matematik paketidir. Kurulumları yaptıktan sonra aynı “pip3” kurulum sorgusunu ve ardından “Tensorflow” paket adını çalıştırıyoruz.

TensorFlow ile ilgili diğer yardımcı programların sisteme tam olarak yüklenmesi gerekir. Bu yardımcı programlar TensorFlow ile birlikte yüklenir ve 10 dakika veya daha fazla sürebilir.

Adım 04: Temel Paketleri Kurun

Ubuntu 20.04 sisteminde TensorFlow'un verimli bir şekilde yapılandırılmasından sonra, 'git' ve 'cmake' gibi diğer bazı yardımcı programlarla birlikte bazı derleme paketlerini de yapılandırmamız gerekiyor. Aynı 'apt' aracını deneyerek, aşağıda gösterildiği gibi gerekli birçok paketi kurduk:

Bu adım, bu kurulumu onaylayarak en çok dikkatimizi çekiyor. “y”ye dokunun ve devam edin.

Adım 05: Sanal Ortam Oluşturun

Gerekli kurulumlardan sonra sıra sanal ortam oluşturmaya gelir. Bu nedenle “venv” değişkeni aracılığıyla “kerasenv” sanal ortamını oluşturmak için Python3 yardımcı programını “-m” seçeneği ile kullanmamız gerekiyor. “ls” sorgusu ortamın oluşturulduğunu gösterir.

Şimdi Keras klasörünün sanal ortamı içinde hareket etmemiz gerekiyor. Bu yüzden bir sanal ortam klasörünün adı ile birlikte “cd” talimatını kullanıyoruz. Daha sonra bu sanal ortamın “bin” klasörü içerisinde hareket ettik ve alt kısmını listeledik. Bu Python ortamını etkinleştirmek için, sorgu alanında “etkinleştir” dosyasıyla birlikte “kaynak” komutunu denedik. Sanal ortam “kerasenv” adı ile aktif hale gelir.

Adım 06: Python Kitaplıklarını Kurun

Python sanal ortamını başarılı bir şekilde ayarladıktan sonra Keras kurulumundan önce gerekli tüm Python kütüphanelerini kurmanız gerekmektedir. Bu nedenle aynı sanal ortamda ilk olarak Python'un “pip” paketini kullanarak pandanın kütüphanesini kuruyoruz.

Sistem, resimde gösterildiği gibi Python'un sanal ortamında yapılandırmaya başlayacaktır:

Pandaların kitaplığını kurduktan sonra, aşağıdaki yöntemi kullanarak NumPy kitaplığını kurmayı deneyin:

Çok benzer bir şekilde, aynı ortama Python'un scipy kitaplığını kurun.

Şimdi, ortama Python'un matplotlib kütüphanesini kurun.

Python, sinir ağı modellerini gerçekleştirmek için makine öğreniminde kümeleme ve regresyon algoritmalarını kullanır. Bunun için “pip” aracı ile kurduğumuz sci-kit öğrenme kitaplığı ile gerekli paketleri yapılandırmak için “-u” seçeneği de bulunmaktadır.

scikit library kurulumunun işlenmesi aşağıda gösterilmiştir:

Derin öğrenmede görselleştirme için, yüklenecek Python'un denizde doğmuş kitaplığına ihtiyacımız var. Bu nedenle “install” sorgusu ile aynı ortamda kurulum yapıyoruz.

Adım 07: Keras Kitaplığını Kurun

Python'un gerekli tüm önkoşul kitaplıklarını kurduktan sonra, nihayet Keras'ı Python'un Sanal ortamına kurabiliriz. Modül adı, yani “Keras” ile “install” sorgumuz içerisinde “pip” yardımcı programı bu amaçla kullanılacaktır. Sistem gereksiniminin zaten karşılandığını gösteriyorsa, bu zaten kurulu ve yapılandırılmış demektir.

Halihazırda kurulu değilse, bu sorgu bir saniye gecikmeden sanal ortamda indirmeye ve yapılandırmaya başlayacak ve işlem aşağıdaki gibi görüntülenecektir:

“Keras” kütüphanesinin Sanal Ortam üzerinde tam konfigürasyonu ve kurulumundan sonra, “pip show” sorgusu ile bununla ilgili tüm bilgileri kabuk üzerinde gösterme zamanı. Bu 'göster' sorgusunun yürütülmesi, Python'un sanal ortamımızda kurulu Keras sürümünü, adını, özetini, web ana sayfasını, yazarı, yazarın e-postasını, lisansını, sistemimizde aldığı yeri ve daha fazlasını sunuyor. aşağıda gösterildiği gibi daha fazlası:

Python'un Keras ve TensorFlow kitaplıklarının en iyi kurulumlarından sonra sanal ortamdan çıkmamız gerekiyor. Bunun için kabukta 'devre dışı bırak' sorgusunu deneyin ve çıkın.

Adım 08: Anaconda Cloud'u kurun

Python, Python'da sinir ağı örnekleri oluşturmak için gerekli olan “Anaconda” adlı bir buluta sahiptir. Bu nedenle yürütme dosyasını sistemimize indirdik.

Bu dosya, “ls” sorgusuna göre Linux makinesinin mevcut ana klasöründe bulunuyor. Önce sağlama toplamı olduğundan, yani sha256sum sorgusu aracılığıyla tamamen doğru olup olmadığından emin olmanız gerekir.

Daha sonra anaconda'nın indirilen Bash dosyasını aynı konsol üzerinde “Bash” talimatını ve dosya adını kullanarak sistemimize kurmamız gerekiyor. Kurulumdan önce lisans sözleşmesini gözden geçirmemizi istedi. Bu yüzden devam etmek için “Enter” a bastık.

Lisans sözleşmesini gözden geçirdikten sonra, şartları kabul edersek “evet”e dokunmamızı ister. Aynı yerde kuruluma devam etmek için Enter tuşuna basmanız veya kurmak istediğiniz dizinin yolunu yazmanız gerekir. Aksi takdirde, kurulumu iptal etmek için “Ctrl-c” tuşlarını kullanın.

Bu süreçte kurulacak uzun paketlerin listesini görüntüleyecektir. Bazı işlemlerin yürütülmesinden sonra paketleri kurmaya başlayacaktır.

Bir süre sonra anakonda, ek paketleri ile başarıyla kuruldu.

Anaconda klasöründeki “activate” dosyasını “source” sorgusu üzerinden root olarak çalıştırmanız gerekir.

Aşağıdaki sorguyu kullanarak anakonda gezginini başlatmayı deneyin.

Yeni conda ortamı oluşturmak ve üzerinde çalışmak için, ad seçeneği ve ardından yeni ortam adı, yani PyCPU ile “conda oluşturma” talimatını deneyin.

Bu süreç, yeni ortamın yaratılması konusunda onayımızı gerektirir. 'y'ye dokunun.

Yeni oluşturulan conda ortamını etkinleştirmek ve çalıştırmak için, yeni ortamınızın adıyla “conda activate” sorgusunu kullanın, yani PyCPU ortamı şimdi etkinleştirildi.

Adım 09: Spyder IDE'yi yükleyin

Python programlarının yürütülmesi için Spyder IDE bu ortamda kurulmalıdır. Bunun için 'spyder' anahtar kelimesi ile PyCPU ortam kabuğunda conda yükleme sorgusunu denedik.

Spyder'ı yüklemeye devam etmek için “y”ye dokunun.

Adım 10: Pandaları ve Keras Kitaplığını Kurun

Spyder kurulumundan sonra, –c seçeneği ile conda kurulum sorgusunu kullanarak pandanın Python kitaplığını bir anaconda ortamında kurun.

Devam etmek için tekrar “y” düğmesine basın.

Pandaların başarılı bir şekilde yapılandırılmasından sonra, aynı sorgu ile Keras kütüphanesini kurun.

“y” butonuna tıkladıktan sonra ilerleyin.

Spyder IDE'yi anaconda mevcut ortam konsolunda aşağıdaki gibi başlatabilirsiniz:

Spyder IDE başlatmaya hazırlanıyor.

“.keras” gizli klasörü ana dizine yerleştirildi. Aşağıdaki konfigürasyonları eklemek için onu gösterin ve “keras.json” dosyasını açın.

Windows'ta Keras ve TensorFlow Kurulumu

Keras ve TensorFlow'u bir Windows ortamında kurmak için Python dilinin 'pip' kitaplığı ve Anaconda Navigator ile birlikte zaten kurulu olduğundan emin olmanız gerekir. Ayarladıktan sonra, arama alanınızdan açmalı ve “ortamlar” sekmesi içinde hareket etmelisiniz. Bu sekmede, şu anda çalışmakta olduğunuz ortam adını, yani base'de bulacaksınız. Aşağıdaki alanda aşağıdaki sekmeyi bulacaksınız. “Oluştur” seçeneğine dokunun.

Burada, “TensorFlow” adlı yeni bir ortam adı oluşturmanız gerekir, yani şu anda temel ortamın içindesiniz. Kullanılacak Python'un en son sürümünü seçin ve devam etmek için “Oluştur” düğmesine dokunun.

Ortamın yüklenmeye başladığını göreceksiniz.

Bir süre sonra TensorFlow ortamı tam olarak kurulur.

En soldaki alanından, aşağıda gösterildiği gibi Python için kurulu ve kullanılabilir tüm kitaplıkları ve modülleri görebilirsiniz:

Şimdi bu alanı kullanarak Python'un TensorFlow arka uç kitaplığını kurmamız gerekiyor. Arama çubuğuna “TensorFlow” yazın ve yüklemek için gösterilen listeden aynı vaka paketini işaretleyin. “Keras” gibi alt modülleriyle birlikte TensorFlow kurulumuna devam etmek için “Uygula” düğmesine dokunun.

Anaconda ortamımızda TensorFlow'u çalışmaya ve yapılandırmaya başladı.

Kurulum sırasında Anaconda ortamına kurulacak alt paketlerin listesini görüntüleyecektir. “Uygula” düğmesine basın ve bitene kadar bir süre bekleyin.

Bir süre sonra tüm kurulu paketleri aynı modüller alanında bulacaksınız. Keras kitaplığının diğer paketlerle birlikte kurulduğunu ve şimdi kurmamız gerekmediğini görebilirsiniz.

Windows Arama çubuğundan “Jupyter” anahtar sözcüğünü arayın. “Jupyter Notebook (TensorFlow)” adlı uygulama diğerleriyle birlikte gösterilecek. Arka uç TensorFlow etkinken jupyter Notebook'u başlatmak için üzerine dokunun. Yeni bir Python dosyası oluşturun ve çalışmaya başlayın.

Zor Yoluyla Derin Öğrenme

Derin öğrenme, her katmanın girdiden ileri düzey ayrıntıları kademeli olarak çıkarması ile alımın katman katman analizini içerir. Her türlü sinir ağını oluşturmak için Keras tarafından eksiksiz bir çerçeve sağlanır. Hem yaratıcı hem de anlaşılması inanılmaz derecede basit, Keras. En naiften en büyük ve en yüksek komplekse kadar değişen sinir ağı modellerini mümkün kılar.

Yapay Sinir Ağı (YSA)

“Yapay Sinir Ağı” (YSA) metodolojisi, derin öğrenmenin en yaygın kullanılan ve temel yöntemi gibi görünmektedir. İpuçlarını, model olarak hizmet eden vücudumuzun doğal en karmaşık bileşeni olan insan zihninden alırlar. “Nöronlar” olarak adlandırılan 90 milyardan fazla mikroskobik hücre, bir bireyin beynini oluşturur. Aksonlar ve dendritler, nöronları birbirine bağlayan sinir lifi türleridir. Bir aksonun birincil işlevi, bağlantılı bir nörondan diğerine veri göndermektir. Daha fazla bilgi için lütfen Google Arama Motorundan arama yapın.

Keras Mimarlık

Keras API mimarisi, aşağıda listelenen üç ana bölüme ayrılmıştır. Her biri için ayrı bir kılık değiştirelim.

• modeli
• Katman
• Çekirdek Modüller

Sert Model

Keras modeli, sıralı ve işlevsel API olmak üzere tam olarak iki türden oluşur.

Sıralı Model

Temel olarak, sıralı bir model, Keras Katmanlarının kronolojik bir derlemesidir. Basit, basit sıralı model, şu anda kullanımda olan neredeyse tüm sinir ağlarını tanımlayabilir. Sıralı modelin ortaya çıkardığı Model sınıfı kullanılarak özelleştirilmiş bir model yapılabilir. Alt sınıflama yaklaşımı, kendimize ait karmaşık bir model oluşturmak için kullanılabilir. Sıralı modelin gösterimi aşağıda sunulmuştur.

Katman Ekle

Script, keras.models aracılığıyla sıralı modun içe aktarılmasından başlatıldı ve diğer satır sıralı bir model oluşturuyor. Bundan sonra, yoğun katmanı içe aktarmak bir girdi katmanı oluşturur ve bir modele bir girdi katmanı ekler. Gizli yoğun katman oluşturularak modele eklendi ve aynı işlem çıktı yoğun katman için de yapıldı.

Modele Erişin

Model katmanlarınız, kullandığı girdi verileri ve çıktı verileri hakkında bilgi alabilirsiniz. model.layers işlevi, tüm katmanlara erişmenizi sağlar. model.inputs girdi tensörlerini gösterirken model.output çıktı tensörlerini gösterir.

Modeli Serileştirin

Komut dosyasında kullanılan modeli bir nesne veya JSON olarak döndürmek kolaydır. Örneğin, get_config() işlevi, modeli bir varlık/nesne olarak verir. from_config() işlevi, nesneyi parametrik bir değer olarak kullanarak yeni bir model oluşturur.

to_json() işlevini kullanarak modelinizi JSON olarak da değiştirebilirsiniz.

Model Özeti

Bazı ek bilgilerle birlikte modelde kullanılan katmanlarla ilgili tüm özeti almak için özet() işlevini çağırın.

Modeli Eğitin ve Tahmin Edin

Eğitmek ve tahmin etmek için, bu bağlamda derleme işlevini, sığdırma işlevini kullanmalı, işlevi değerlendirmeli ve işlevi tahmin etmeliyiz.

Sert Katmanlar

Önerilen sinir ağları modelindeki her girdi, gizli ve verim katmanı, gerçek modelde farklı bir Keras katmanına karşılık gelir. Herhangi bir karmaşık sinir ağı, Keras kitaplığının önceden oluşturulmuş çok sayıda katmanı kullanılarak hızla geliştirilebilir. Sahip olduğumuz farklı Keras katmanları vardır, yani çekirdek katmanlar, havuz katmanları, tekrarlayan katmanlar ve evrişim katmanları. Bunları internette araştırarak inceleyebilirsiniz. İlk iki satır Sıralı mod, yoğun, etkinleştirme ve Bırakma katmanını içe aktarıyor.

Bir bırakma sıralı modeli oluşturmak için Sequential() API'sini deniyoruz. “Relu” aktivasyon modelini devre dışı bırakarak “Dense” API aracılığıyla yoğun bir katman oluşturuyoruz. Yoğun katmanın aşırı sığmasını sağlamak için Dropout() API'sini, yani dropout() işlevi aracılığıyla bırakma katmanını kullanıyoruz. Bundan sonra “relu” aktivasyon modeli ile burada daha yoğun bir katman kullanıyoruz. Yoğun katmanları aşırı sığmadan işlemek için Dropout katmanlarını kullanmalıyız. Sonunda, “softmax” tipi aktivasyon modelini kullanarak son yoğun katmanlarımızı döküyoruz.

Yemek yaparken hiç katmanlama yaptınız mı? Eğer öyleyse, o zaman bu kavramı anlamanız zor olmayacaktır. Bir düzeyin sonucu, sonraki katman için girdi verisi olarak hizmet edecektir. Yepyeni bir katman oluşturmak için gereken temel şeyler şunlardır:

• Giriş Veri Şekli
• Bir katmandaki toplam nöronlar/birimler
• Başlatıcılar
• Düzenleyiciler
• kısıtlamalar
• Aktivasyonlar

Giriş Veri Şekli

Python dilinde her tür girdi bir dizi tamsayıya dönüştürülmüş ve ardından algoritma modeline eklenmiştir. Python içinde, çıktıyı ihtiyacımıza göre almak için girdi şeklini belirtmemiz gerekiyor. Aşağıdaki örneklerde, giriş şeklini (3,3), yani 3 satır ve 3 sütun belirledik. Çıktı matrisi gösteriyordu.

Başlatıcılar

Keras Layers'ın başlatıcılar modülü, girdi verileri için belirli bir ağırlık belirtmek için bize birçok işlev sağlar. Örneğin, sıfırlar() işlevi tümü için 0'ı belirtir, olanlar() tümü için belirtir ve sabit() işlevi, tümü ve daha fazlası için bir kullanıcı tarafından eklenen belirli bir sabit değeri belirtir. Daha iyi anlamak için, bir kimlik matrisi oluşturmak için kimlik() işlevini kullandık. Diğer işlevler de arama motorundan aranabilir.

kısıtlamalar

Katmanın 'ağırlık' parametresine kısıtlamalar uygulamak için kullanılabilecek farklı kısıtlama işlevleri vardır, yani negatif olmayan, birim norm, maksimum norm, minimum norm ve daha fazlası. Aşağıdaki çizimde, ağırlıktan daha az veya buna eşit kısıtlama normunu uyguladık. 'max_value' parametresi, uygulanacak kısıtlamanın üst sınırıdır ve eksen, kısıtlamanın uygulanacağı boyuttur, yani boyut 1'dir.

Düzenleyiciler

Optimizasyon boyunca, katman özelliğine çeşitli yükler uygular. Ayrıca bunu yapmak için bazı işlevler buldu, yani L1 düzenleyici, L2 düzenleyici ve “LI ve L2” Düzenleyici. L1 düzenleyici işlevinin en basit gösterimi:

Aktivasyonlar

Belirli bir nöronun aktif olup olmadığını belirlemek için aktivasyon fonksiyonu adı verilen benzersiz bir fonksiyon kullanılır. Aktivasyon işlevi, gelen verileri karmaşık bir şekilde dönüştürerek nöronların daha etkili çalışmasına yardımcı olur. Aşağıda verilen örneklerde sunulan birkaç etkinleştirme yöntemi şunlardır:

Sabit Modüller

Bildiğimiz gibi, programlama modülleri genellikle farklı ve özel amaçlar için kullanılacak fonksiyonlar, sınıflar ve değişkenler içerir. Aynen böyle, Python'un Keras kütüphanesi içinde birçok modül barındırıyor. Keras modülleri hakkında gerekli tüm bilgileri web'den edinebilirsiniz.

arka uç

En bilinen ve kullanılan modüllerinden biri, Python'un TensorFlow ve Theano gibi arka uç kitaplıklarını kullanmak için tasarlanmış “Arka Uç” modülüdür. Arka uç modülünü kullanarak, TensorFlow ve Theano kitaplığından mümkün olduğunca çok sayıda arka uç işlevi kullanabiliriz. Backend library modülünü kullanmak için gizli .keras klasöründe oluşturduğumuz “keras.json” konfigürasyon dosyasında kullanılacak backend kütüphanesini belirtmemiz gerekiyor. Varsayılan olarak, arka uç 'TensorFlow' olarak belirlenmiştir, ancak bunu başka bir şekilde de değiştirebilirsiniz, yani Theano veya CNTK.

Örneğimizde arka uç olarak TensorFlow kitaplığını kullanacağız. Kök 'keras' klasörünün keras.json dosyasından arka uç yapılandırmalarını yüklemek için şunu kullanın:

• keras'tan arka ucu k olarak içe aktar

Arka ucu keras.json dosyasından başarıyla içe aktardıktan sonra, getirilecek değişkenle birlikte “k” değişkenini kullanarak arka uç bilgilerini almanın zamanı geldi. İlk olarak, kullanmakta olduğumuz ve halihazırda “backend()” fonksiyonunu kullanarak içe aktardığımız bir arka ucun adını getiriyoruz. Arka uç değeri olarak “Tensorflow” değerini döndürür. Arka ucun kayan nokta değerini elde etmek için, Keras'ın “k” değişken nesnesi aracılığıyla floatx() işlevini çağırıyoruz. Float32 değerini kullandığımızı gösteriyor.

Görüntü verilerinin biçimini almak için, “k” değişkeniyle image_Data_format() işlevini kullanın. Kullanıldığında, arka ucumuzun “channels_last” görüntü verisi formatını kullandığını gösteriyor. Arka uç için üs gücünü elde etmek için, 'k' değişkeni ile epsilon() işlevini çağırın. Arka ucun “07”nin üstel gücünü kullanacağını döndürür. Hepsi arka uç bilgilerinin alınmasıyla ilgili.

Get_uid() İşlevi

İşlevselliğini anlamak için TensorFlow'un bazı arka uç işlevlerine bakmanın zamanı geldi. En çok kullanılan arka uç işlevlerinden biri, kullandığımız varsayılan grafiği tanımlamak için kullanılan “get_uid() işlevi. Bunu prefix='' parametresiyle kullanmak, kullanıma göre “1” döndürecektir, yani. Yine, onu tekrar çağırdığımız için “2” döndürecekti ve grafiğin değeri artırıldı. “reset_uids” işlevini kullandıktan sonra, grafik kullanıcı kimliği değeri 0'a sıfırlanacaktır. Bu nedenle, get_uid() işlevinin bir kez daha kullanılması onu 1 artıracaktır.

Yer Tutucu () İşlevi

Tensör, içinde farklı boyutlu şekiller tutmak için placeholder() işlevini kullanıyor. Örneğin, aşağıdaki çizimde, 3 boyutlu görüntüyü Keras değişkeni “k” aracılığıyla tensörde tutmak ve başka bir “d” değişkenine kaydetmek için kullanıyoruz. 'd' değişkeninin çıktısı, yer tutucu içinde kullanılan bir şeklin özelliklerini gösteriyor.

“int_shape()” işlevi, “d” yer tutucusuna kaydedilen bir değerin şeklini görüntülemek için kullanılır.

Nokta() İşlevi

Hiç iki vektörü çarptınız mı? Eğer öyleyse, iki tensörü çarpmanız zor olmayacaktır. Bunun için arka uç kitaplığı “nokta” işleviyle geldi. İlk olarak, iki farklı şekli tutmak için, “x” ve “y” olmak üzere iki tutucu oluşturmak için ilk 2 satırda placeholder() işlevindeki şekil değerlerini kullanıyoruz. dot() işlevi, hem tensörleri çarpmak hem de sonucu başka bir “z” değişkenine kaydetmek için “x” ve “y” tutucularını alıyor. Baskı için “z” tensörünü kullanırken, ekranda çarpılan sonuç tensör şeklini (1, 5) gösterdi.

Birler() İşlevi

Arka uç modülünün one() işlevi, belirli bir şeklin tüm değerlerini 1'e başlatmakla bilinir. Örneğin, tensör şekli (3,3) üzerinde one() işlevini kullanıyoruz ve sonucu 'v' değişkeni. eval() işlevi, bir 'v' değişkeninin değerini değerlendirmek ve Python ortamında görüntülemek için burada kullanılır. Karşılığında, (3.3) şeklini, float32 veri tipine sahip olanlardan oluşan bir dizi matrisine dönüştürmüştür.

Batch_dot() İşlevi

Tensör grubu, bir modeli güncellemeden önce sıralanacak toplam örnekleri belirtir. TensorFlow arka ucunun toplu_dot() işlevi, esas olarak iki farklı toplu iş verisinin çarpma sonucunu bulmak için kullanılır. Bu nedenle, v1 ve v2 olmak üzere iki tensör değişkeni yarattık ve bunları v1 ve v2'ye girdi olarak kaydetmek için Input() işlevini kullandık. Bundan sonra, hem tensör değişkenleri v1 hem de v2 üzerinde batch_dot() işlevini deniyorduk ve elde edilen değer başka bir “v3” değişkenine kaydedilecekti. v3 değişkenini yazdırırken, sonuçta ortaya çıkan şekli (2,2) karşılığında bulduk.

Değişken Fonksiyon

Daha önce başka bir dil üzerinde çalıştıysanız, birçok değişkeni “var” anahtar kelimesiyle veya onsuz başlatmış olabilirsiniz. Çoğu zaman, değişkenleri tamsayı, dize veya karakter gibi veri türleriyle başlatmış olabilirsiniz. Python Keras kütüphanesi içerisinde, bazı tensör verileri üzerinde değişken() işlevini kullanarak herhangi bir değişkeni örnek biçiminde oluşturabiliriz.

Aşağıdaki resimde, Keras nesnesi “k” ile bir değişken() fonksiyonuna örnek iki liste verisini ekleyerek bir “d” değişkeni oluşturduk. Bu değişkeni ekledikten sonra, Keras nesnesi “k” aracılığıyla bir örnek verinin transpozesini bulmak için bu “d” değişkeni üzerindeki transpose() fonksiyonunu çağırıyoruz. Ortaya çıkan devrik, bir 'val' değişkenine kaydedilecektir. Python dilinin print ifadesi burada “val” sonuç değişkeninin değerini yazdırmak için kullanılmıştır. Print deyimi, “d” değişkenine uyguladığımız fonksiyon seçimini ve her listedeki toplam eleman sayısını gösteriyordu.

Daha sonra “d” değişkenine eklenen örneklerin transpozesini almak için “val” değişkeni üzerinde “eval” fonksiyonunu denedik ve print fonksiyonu bunu gösteriyordu. Çıktıda iki listenin devrik halini görebilirsiniz.

Önceki kod gösterimi, herhangi bir belirli Python kitaplığını içe aktarmadan basit Python işlevlerinin kullanılmasıyla elde edildi. İki veri kümesinin 'devrimi' NumPy dizileri kullanılarak bulunabilir. Bunun için NumPy kütüphanesini başlangıçta “n” olarak içe aktarmamız gerekiyor. Temel biçim aynıdır, ancak şekil veri setini “variable” anahtar sözcüğünü kullanmak yerine “array” anahtar sözcüğüyle başlatmamız gerekiyor. Örnek NumPy dizisi 'd' değişkenine geri döndürülmelidir. Aynı NumPy nesnesi “n”, “d” değişkenindeki transpose() işlevini çağırmak ve sonucunu “val” değişkenine kaydetmek için kullanılır.

Print ifadesi, devrik tensörünü görüntülemek için içindeki “val” değişkenini çağırıyor. Görüyorsunuz, “val” değişkeninin ortaya çıkan transpoze değerini görüntülemek için burada “eval” fonksiyonuna ihtiyacımız yok. Şimdi değişken fonksiyonunu “d” argümanıyla kullandık ve sonucu “z” değişkenine kaydettik. print ifadesini içine “z” argüman değerini ekleyerek denedikten sonra, çıktıyı yukarıdaki değişken örneğinde denediğimiz önceki formatta gösterdi.

Is_sparse() İşlevi

Tensördeki 'seyrek' kelimesi, çoğunlukla sıfırlı girişler içeren seyrek bir tensör için kullanılır. Bu örnekte, tensörün çoğu sıfıra sahip olup olmadığını kontrol etmek için arka uç modülünün is_sparse() işlevini kullanacağız.

İlk olarak, tensör şeklini (3,3) tutmak için Sparse argümanını true olarak ayarlamak için placeholder() işlevini çağırıyoruz. Bu yer tutucu değeri değiştirilebilir 'x' olarak tutulacak ve görüntülenecektir. Çıktı, “x” yer tutucu değişkeni ile ilgili bilgileri gösteriyordu.

Örneğin, veri türü, şekli ve işlevi ona uygulanır. Bundan sonra print deyimini bir kez daha içindeki is_Sparse() işlevini çağırarak denedik. Bu fonksiyon, 'x' tensörünün seyrek olup olmadığını göstermek için argüman olarak 'x' değişkenini alıyor. Çıktı 'doğru' gösterir.

To_dense() İşlevi

Yoğun tensörün, bilgileri bitişik bir şekilde depolamak için kronolojik bellek bloğunu kullanan ve aynı zamanda bilgi değerlerini temsil eden olduğu söylenir. Arka uç modülünün “to_dense()” işlevi, seyrek tensörü yoğun bir tensöre dönüştürmemize izin verir. Bu nedenle, tensörü “x” değişkenine eklemek için aynı yer tutucu işlevi alıyoruz ve bu tensör “seyrek” olarak ayarlandı.

'to_dense()' işlevi, yoğun tensör değişkeni 'x'e, yani onu yoğun bir tensöre dönüştürmek ve başka bir 'res' değişkenine kaydetmek için uygulanır. Şimdi, 'res' yoğun bir tensördür. Print ifadesi, “res” değişkenini yazdırmak için çıkarıldı. 'Res' değişkeni için print ifadelerinin kullanılması, 'res' dönüştürülmüş değişkenle ilgili bilgileri, yani seyrekten yoğuna başarıyla dönüştürülmüş ve çok daha fazlasını görüntüledi.

Daha sonra içindeki is_sparse() fonksiyonu kullanılarak “res” değişkeninin seyrek olup olmadığını kontrol etmek için başka bir print fonksiyonu çağrılır. Çıktı, 'res' değişkeninin seyrek olmadığını, yani onu zaten 'yoğun' bir tensöre dönüştürdüğümüz için gösteriyor.

Random_uniform_variable() Fonksiyonu

Keras arka uç modülündeki random_uniform_variable() işlevi, tek tip dağıtım yoluyla bir tensörün başlatılması için özel olarak tasarlanmıştır. Toplam üç argüman alır. İlk “şekil” argümanı, şeklin grup formundaki satırlarını ve sütunlarını tanımlamak için kullanılır. Matematik yaptıysanız, ortalama ve standart sapma kavramını öğrenmiş olabilirsiniz.

random_uniform_variable() yönteminde sonraki iki argüman, tek tip bir dağılımdan ortalama ve tipik sapmadır. Bu çizimde, random_uniform_variable() işlevi aracılığıyla standart tek biçimli dağılımı kullanarak iki 'x' ve 'y' tensörünü başlattık. Her iki tensör de farklı şekil biçimleri, yani aynı ortalama ve standart sapmaya sahip satırlar ve sütunlar, yani düşük = 0 ve yüksek = 1 içerir.

Bundan sonra çarpma işlemi için içindeki “x” ve “y” tensörlerini alarak “nokta” fonksiyonunu devre dışı bırakıyoruz. Bu çarpmanın sonucu “z” değişkenine kaydedilecektir. Sonunda, int_shape(), elde edilen “z” tensörünün şeklini görüntülemek için kullanılması zorunludur. Çıktı tensörü (2,2) gösteriyor.

Araçlar

Python'un derin öğrenme konseptindeki çok kullanışlı işlevlerden bazılarını kullanmak istiyorsanız, komut dosyalarınızda Keras kitaplığının utils modülünü kullanmalısınız. Örneğin, verilerinizi HDF5Matrix formatında görüntülemek istiyorsanız, HDF5Matrix sınıfını içe aktarmanız ve komut dosyasında HDF5Matrix işlevini kullanmanız gerekir.

To_categorical() Fonksiyonu

Bu işlev, bir sınıf vektörünü bir matrise, yani ikili sınıf matrisine değiştirmenize olanak tanır. Diyelim ki, utils modülünden to_categorical() fonksiyonunu içe aktardık ve bir “A” vektörü başlattık. “A” vektörü to_categorical() işlevine iletildi. Bu sınıf vektörü “A” için ikili matris görüntülendi.

print_summary() Fonksiyon

Çevremizde yayınladığımız bir modelin özetini yazdırmak için print_summary işlevi kullanıldı.

plot_model() Fonksiyon

plot_model() işlevi, modeli nokta biçiminde belirtir ve onu bir belgeye kaydetmenizi sağlar.

Çözüm

Özetlemek gerekirse, her şey hızla ilerlerken ve teknoloji çılgınca bir hızla gelişirken Python dilinin çağımız için gerekli bir dil olduğunu söyleyebiliriz. Bu öğrenme kılavuzu boyunca, Derin Öğrenme ve Yapay Sinir Ağlarında Python'un Keras kitaplığını kullanmaya devam ettik. Bunun için, net bir anlayış elde etmek için arka uç kitaplığı “TensorFlow” un önemini ve kullanımını da inceledik. Ek olarak, Ubuntu 20.04 Linux işletim sistemi içinde Python'da Keras ve Anaconda ortamını kurmak için gereken her konfigürasyonu tartıştık ve açıkladık. Bundan sonra Keras Modelleri, Katmanları ve Modüllerini en çok kullanılan işlevleriyle birlikte tek tek ele aldık. İşlev API modelinin gösterimi için lütfen resmi belgelere bakın.