Contenido Overview 
 
 
 
 
 
 
 ¿Quién debe usar Keras Componentes de API Los Layers Los modelos Otras APIs y herramientas Próximos pasos es la API de alto nivel de la plataforma TensorFlow. proporciona una interfaz accesible y altamente productiva para resolver problemas de aprendizaje automático (ML), con un enfoque en el aprendizaje profundo moderno. Keras cubre cada paso del flujo de trabajo de aprendizaje automático, desde el procesamiento de datos hasta el ajuste de hiperparámetros hasta la implementación. Keras Con Keras, usted tiene acceso completo a la escalabilidad y las capacidades cross-platform de TensorFlow. Puede ejecutar Keras en un TPU Pod o grandes grupos de GPU, y puede exportar modelos Keras para ejecutar en el navegador o en dispositivos móviles. También puede servir modelos Keras a través de una API web. Keras está diseñado para reducir la carga cognitiva al lograr los siguientes objetivos: 
 
 
 
 
 
 Ofrece interfaces simples y consistentes. Minimizar el número de acciones necesarias para casos de uso común. Proporcionar mensajes de error claros y actuables. Siga el principio de divulgación progresiva de la complejidad: es fácil comenzar, y puede completar flujos de trabajo avanzados aprendiendo a medida que avanza. Ayuda a escribir código conciso y legible. ¿Quién debe usar Keras La respuesta corta es que cada usuario de TensorFlow debe usar las API de Keras por defecto. Ya sea que sea un ingeniero, un investigador o un practicante de ML, debe empezar con Keras. Hay algunos casos de uso (por ejemplo, la construcción de herramientas en la parte superior de TensorFlow o el desarrollo de su propia plataforma de alto rendimiento) que requieren el nivel bajo Pero si su caso de uso no cae en uno de los Prefiere las cerezas. Aplicaciones TensorFlow Core Aplicaciones API Componentes de API Las estructuras de datos básicas de Keras son y Una capa es una simple transformación de entrada/salida, y un modelo es un gráfico acíclico dirigido (DAG) de capas. Los Layers Los modelos Los Layers El clase es la abstracción fundamental en Keras. un estado (pesos) y algunos cálculos (definidos en el El método). tf.keras.layers.Layer Layer tf.keras.layers.Layer.call Los pesos creados por las capas pueden ser entrenables o no entrenables. Las capas son compostables recursivamente: Si asigna una instancia de la capa como un atributo de otra capa, la capa exterior comenzará a rastrear los pesos creados por la capa interna. También puede utilizar capas para manejar tareas de preprocesamiento de datos como la normalización y la vectorización de texto.Las capas de preprocesamiento se pueden incluir directamente en un modelo, ya sea durante o después del entrenamiento, lo que hace que el modelo sea portátil. Los modelos Un modelo es un objeto que agrupa capas juntas y que se puede entrenar sobre datos. El modelo más simple es el Para arquitecturas más complejas, puede utilizar la API funcional Keras, que le permite construir gráficos arbitrarios de capas, o usar subclasificación para escribir modelos desde cero. Sequential El La clase cuenta con métodos de formación y evaluación integrados: tf.keras.Model 
 
 
 
 tf.keras.Model.fit: Entrena el modelo para un número fijo de épocas. tf.keras.Model.predict: genera predicciones de salida para las muestras de entrada. tf.keras.Model.evaluate: Devuelve los valores de pérdida y métrica del modelo; configurado a través del método tf.keras.Model.compile. Estos métodos le dan acceso a las siguientes características de entrenamiento integradas: 
 
 
 
 Callbacks. Puede aprovechar los callbacks integrados para el paro temprano, la verificación del modelo y el seguimiento de TensorBoard. También puede implementar callbacks personalizados. Puede ampliar fácilmente su formación a múltiples GPUs, TPUs o dispositivos. Con el argumento steps_per_execution en tf.keras.Model.compile, puede procesar varios lotes en una sola llamada tf.function, lo que mejora enormemente la utilización del dispositivo en TPUs. Para una visión detallada de cómo usar , consulte la guía de capacitación y evaluación. Para aprender cómo personalizar los circuitos de capacitación y evaluación integrados, consulte Personalizar lo que ocurre en . fit fit() Otras APIs y herramientas Keras proporciona muchas otras APIs y herramientas para el aprendizaje profundo, incluyendo: 
 
 
 
 
 Optimistas Metría Pérdidas Utilidades de carga de datos Para una lista completa de APIs disponibles, véase el Para obtener más información sobre otros proyectos y iniciativas de Keras, véase . Prueba de referencia El ecosistema de Keras Próximos pasos Para comenzar a usar Keras con TensorFlow, revise los siguientes temas: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 El modelo secuencial La API Funcional Formación y evaluación con los métodos incorporados Crear nuevas capas y modelos a través de subclassificación Serialización y ahorro Trabajar con capas de preprocesamiento Personalizar lo que sucede en fit() Escribir un ciclo de entrenamiento desde cero Trabajando con RNNs Conocimiento de Masking & Padding Escribe tus propios callbacks Aprendizaje de transferencia y fine-tuning Multi-GPU y capacitación distribuida Para saber más sobre Keras, consulte los siguientes temas en : Encuentro.io 
 
 
 
 
 
 Acerca de Keras Introducción a Keras para ingenieros Introducción a Keras para investigadores Prueba de referencia El ecosistema de Keras 
 
 Originalmente publicado en el sitio web de TensorFlow, este artículo aparece aquí bajo un nuevo título y está licenciado bajo CC BY 4.0. Originalmente publicado en el sitio web de TensorFlow, este artículo aparece aquí bajo un nuevo título y está licenciado bajo CC BY 4.0. TensorFlow TensorFlow

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Este audio es producido en el idioma original de la historia!

Keras 101: una guía para principiantes para construir redes neuronales

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Telegram: el puente de Crypto Island hacia el continente

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Telegram: el puente de Crypto Island hacia el continente

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps