مقدمه‌ای بر شبکه‌های عصبی و چارچوب Keras (کراس)

برای اجرای این مبحث نیاز به نصب کتابخانه کراس (Keras) دارید. برای نصب این کتابخانه میتوانید لینک زیر را مطالعه کنید.

http://blog.class.vision/1396/12/installing-keras-with-tensorflow-backend/

در صورتی که تمام کتابخانه‌های مورد نیاز شما نصب باشد سلول زیر باید بدون مشکل اجرا شود.

import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
import numpy as np

from dataset import load_hoda

import keras

from keras.models import Sequential

from keras.layers import Dense, Dropout, Activation

import numpy as np

from dataset import load_hoda

برای اینکه موقع اجرای کدها دقیقا نتایج سر کلاس را بتوانید مشاهده کنید لازم است از تابع seed برای گرفتن اعداد رندم استفاده کنید:

np.random.seed(123)  # for reproducibility

1	np.random.seed(123) # for reproducibility

لود مجموعه داده (dataset)

x_train_original, y_train_original, x_test_original, y_test_original = load_hoda()

1	x_train_original, y_train_original, x_test_original, y_test_original = load_hoda()

پیش‌پردازش داده‌ها برای Keras

def print_data_info(x_train, y_train, x_test, y_test):
    #Check data Type
    print ("\ttype(x_train): {}".format(type(x_train)))
    print ("\ttype(y_train): {}".format(type(y_train)))

    #check data Shape
    print ("\tx_train.shape: {}".format(np.shape(x_train)))
    print ("\ty_train.shape: {}".format(np.shape(y_train)))
    print ("\tx_test.shape: {}".format(np.shape(x_test)))
    print ("\ty_test.shape: {}".format(np.shape(y_test)))

    #sample data
    print ("\ty_train[0]: {}".format(y_train[0]))

def print_data_info(x_train, y_train, x_test, y_test):

#Check data Type

print ("\ttype(x_train): {}".format(type(x_train)))

print ("\ttype(y_train): {}".format(type(y_train)))

#check data Shape

print ("\tx_train.shape: {}".format(np.shape(x_train)))

print ("\ty_train.shape: {}".format(np.shape(y_train)))

print ("\tx_test.shape: {}".format(np.shape(x_test)))

print ("\ty_test.shape: {}".format(np.shape(y_test)))

#sample data

print ("\ty_train[0]: {}".format(y_train[0]))

ابتدا تابعی ساده تعریف کرده ایم که ابعاد، نوع داده ای و اطلاعات دیتاست لود شده را چاپ کند.
این اطلاعات را قبل و بعد از پیش‌پردازش داده ها چاپ خواهیم کرد تا متوجه تغییرات بشویم!

حال برای تبدیل فورمت دیتاها به فورمت کتابخانه ی کرا س باید یک سری پیش پردازش انجام بدهیم:

# Preprocess input data for Keras. 
x_train = np.array(x_train_original)
y_train = keras.utils.to_categorical(y_train_original, num_classes=10)
x_test = np.array(x_test_original)
y_test = keras.utils.to_categorical(y_test_original, num_classes=10)

# Preprocess input data for Keras.

x_train = np.array(x_train_original)

y_train = keras.utils.to_categorical(y_train_original, num_classes=10)

x_test = np.array(x_test_original)

y_test = keras.utils.to_categorical(y_test_original, num_classes=10)

x_train و x_test به فرمت لیست ساده است به همین دلیل ما ان ها را به کمک np.array به فرمت آرایه‌های نامپای یا ndarray تبدیل کردیم و y_train و y_test نیزبه فرمت لیست ساده هستند که ما باتابع keras.utils.to_categorical به شکل یک وکتور در نظر میگیریم که درهرخانه اش یک برچسپ 10تایی است که بسته به مقدار y_train و y_test ان لیبل یک وبقیه خانه ها صفر هستند به اصطلاح one-hot-encoding می گویند.

print("Before Preprocessing:")
print_data_info(x_train_original, y_train_original, x_test_original, y_test_original)
print("After Preprocessing:")
print_data_info(x_train, y_train, x_test, y_test)

print("Before Preprocessing:")

print_data_info(x_train_original, y_train_original, x_test_original, y_test_original)

print("After Preprocessing:")

print_data_info(x_train, y_train, x_test, y_test)

با فراخوانی تابع ساده ای که قبلاتعریف کردیم میتوانیم ابعاد، نوع داده ای و اطلاعات دیتاست لود شده قبل وبعد از processرا چاپ کنیم

Before Preprocessing:
	type(x_train): <class 'list'>
	type(y_train): <class 'numpy.ndarray'>
	x_train.shape: (1000, 25)
	y_train.shape: (1000,)
	x_test.shape: (200, 25)
	y_test.shape: (200,)
	y_train[0]: 6
After Preprocessing:
	type(x_train): <class 'numpy.ndarray'>
	type(y_train): <class 'numpy.ndarray'>
	x_train.shape: (1000, 25)
	y_train.shape: (1000, 10)
	x_test.shape: (200, 25)
	y_test.shape: (200, 10)
	y_train[0]: [ 0.  0.  0.  0.  0.  0.  1.  0.  0.  0.]

Before Preprocessing:

type(x_train): <class 'list'>

type(y_train): <class 'numpy.ndarray'>

x_train.shape: (1000, 25)

y_train.shape: (1000,)

x_test.shape: (200, 25)

y_test.shape: (200,)

y_train[0]: 6

After Preprocessing:

type(x_train): <class 'numpy.ndarray'>

type(y_train): <class 'numpy.ndarray'>

x_train.shape: (1000, 25)

y_train.shape: (1000, 10)

x_test.shape: (200, 25)

y_test.shape: (200, 10)

y_train[0]: [ 0. 0. 0. 0. 0. 0. 1. 0. 0. 0.]

میبینیم که [y_train [0پیش از پردازش مقدار 6را داشته وبعداز پردازش به یک وکتور که برجسپ خانه ی 6 ام ان یک است تبدیل شده است.

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255

x_train = x_train.astype('float32')

x_test = x_test.astype('float32')

x_train /= 255

x_test /= 255

آخرین گام پیش‌پردازش تبدیل داده‌ها به float32 و چون دیتا ها بین مقادیر 0تا255هستند با تقسیم x_train و x_testمقادیر را به مقدار بین 0 و 1نرمال سازی میکنیم.

تعریف معماری مدل (model architecture)

model = Sequential()
model.add(Dense(64, activation='relu', input_dim=25))
model.add(Dense(10, activation='softmax'))

model = Sequential()

model.add(Dense(64, activation='relu', input_dim=25))

model.add(Dense(10, activation='softmax'))

در شبکه عصبی معماری شبکه قبل از انجام هرکاری اهمیت بالایی دارد پس ابتدا ان را به صورت بالا پیاده سازی میکنیم.

خط اول کد : نوع modelخود را ()Sequential قرار میدهیم چون میخواهیم شبکه های عصبی مان به ترتیب پشت هم قرار بگیرند و غیر بازگشتی باشند(یعنی امکان بازگشت ازیک لایه نورون جلوتر به لایه نورون پیشین نباشد).

خط دوم کد:حال به modelتعریف شده یک لایه با تابع add اضافه میکنیم چون لایه اول را میخواهیم تعریف کنیم باید تعدادنورون ورودی وخروجی را مشخص کنیم.تابع داخلی که Denseهست میگوید این لایه هارا به هم بچسبان و64 که پارامتر اول تابع است تعداد نورون های خروجی رامشخص میکند پارامتر دوم رادر یادداشت های قبلی توضیح داده شده است و activation=’relu’قراردادیم و درنهایت input_dim نیز تعداد نورون های ورودی رامشخص میکند.

خط سوم کد:لایه دیگری تعریف کردیم که به لایه قبلی چسبیده وتعدادنورون های خروجی 10است وبرای نرمال سازی خروجی activation=’softmax’قراردادیم وشبکه عصبی را با سه لایه جمع کردیم.

Compile model

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

model.compile(loss='categorical_crossentropy',

optimizer='rmsprop',

metrics=['accuracy'])

بعداز مشخص کردن معماری شبکه عصبی مان با دستورmodel.compileمدل ساخنه شده را کمپایل میکنیم این تابه از سه پارامتر تعیین شده که:

‘ loss= ‘ categorical_crossentropy:تابع هزینه ومعیار بد بودن شبکه را تعیین میکندو بهترین loss را انتخاب کردیم.

optimizer=’rmsprop’برای بهینه کردن تابع loss از optimizerاستفاده میکنیم.

metrics=[‘accuracy’]گزارشی که میدهیم را برمبنای accuracyقرارمیدهیم(قبلا metricرا دریادداشت های قبلی دوستان توضیح داده اند

بینایی کامپیوتر.

مقدمه‌ای بر شبکه‌های عصبی و چارچوب Keras (کراس)

لود مجموعه داده (dataset)

پیش‌پردازش داده‌ها برای Keras

تعریف معماری مدل (model architecture)

Compile model

زهرا زحمت‌کش

تطبیق و بازشناسی چهره(2)

مقدمه ای بر deep learning

مطالب مرتبط:

تشخیص پلاک فارسی خودرو

پایتکست – PyText

تجربه شرکت در یکی از چالش‌‌های کگل (Kaggle)

درباره ما

مطالب اخیر

تبدیل Jupyter Notebook به Rest API Endpoint

تراز کردن کارت ملی هوشمند

Chatbot with Voice

music box

مقدمه‌ای بر شبکه‌های عصبی و چارچوب Keras (کراس)

لود مجموعه داده (dataset)

پیش‌پردازش داده‌ها برای Keras

تعریف معماری مدل (model architecture)

Compile model

فلش‌های ناوبری پست

مطالب مرتبط:

اسلایدر سایدبار

درباره ما

شبکه های اجتماعی

مطالب اخیر