Keras сериалы моделiмен думы iстеу негiздерi

ҚАЗАҚСТАН РЕСПУБЛИКАСЫ БІЛІМ ЖӘНЕ ҒЫЛЫМ МИНИСТРЛІГІ

Д.Серікбаев атындағы Шығыс Қазақстан техникалық университеті

Ақпараттық технологиялар және зияткерлік жүйелер мектебі

Нейрондық желілер негіздері

Лабараториялық жұмыс №1

Орындаған: Жеңіс Есбол

20 МКК-1

Тексерген: Увалиева Индира Махмутовна

Өскемен , 2021 жыл

ТАПСЫРМА №1 «KERAS СЕРИЯЛЫ МОДЕЛІМЕН ЖҰМЫС ІСТЕУ НЕГІЗДЕРІ»

Жұмыстың мақсаты-keras дәйекті моделімен жұмыс істеу дағдыларын игеру.

Сериялық модель (Sequential моделі) қабат даналарының тізімін Sequential класының конструкторына беру арқылы жасауға болады:

[pic 1]

№ 1-Сурет.

[pic 2]

№ 2-Сурет. Нәтиже.

Кіріс деректерінің өлшемділігін көрсету

Модель кіріс деректер массивінің өлшемін білуі керек. Сондықтан, Sequential моделіндегі бірінші қабат (және тек бірінші, өйткені келесі қабаттар бұл ақпаратты алдыңғы қабаттан автоматты түрде ала алады) туралы ақпарат алуы керек кіріс массивінің өлшемі.

Мұны істеудің бірнеше жолы бар:

• Input_shape дәлелін бірінші қабатқа жіберіңіз.
• Кейбір 2D қабаттары, мысалы, Dense, input_dim аргументі арқылы енгізу формасының сипаттамасын қолдайды, ал кейбір 3D қабаттары input_dim және input_length дәлелдерін қолдайды.

Сонымен, кодтың келесі бөліктері қатаң эквивалентті:

[pic 3]

№ 3-Сурет.

[pic 4]

№ 4-Сурет. Нәтиже.

Компиляция

Модельді дайындамас бұрын, compile әдісі арқылы орындалатын оқу процесін реттеу керек. Бұл әдіс үш дәлелге ие:

• Оптимизатор. Бұл қолданыстағы оптимизатордың жол идентификаторы (мысалы, rmsprop немесе adagrad) немесе Optimizer класының данасы болуы мүмкін.
• Қателерді есептеу функциясы. Бұл модель азайтуға тырысатын мақсат. Ол қолданыстағы қате функциясының жол идентификаторы болуы мүмкін (мысалы, categorical_cross entropy немесе msi) немесе мақсатты функция болуы мүмкін.
• Метрикалар тізімі. Кез-келген жіктеу мәселесі үшін сіз оны metrics=['accuracy'] орнатқыңыз келеді. Метрика қолданыстағы метриканың жол идентификаторы немесе арнайы метрикалық функция болуы мүмкін.

Мысалдар:

1. Бірнеше класстар бойынша жіктеу тапсырмасы үшін

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

2. Екілік жіктеу мәселесі үшін

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

3. Орташа квадраттық қатесі бар регрессиялық есеп үшін

model.compiler(optimizer='rus prof', loss='mse')

Жеке метриканы құру және пайдалану мысалы:

import keras.backend as K
def mean_pred(y_true, y_pred):
return K.mean(y_pred)
model.compile(optimizer='rmsprop', loss='binary_crossentropy',
metrics=['accuracy', mean_pred])

...