Курс Python → Создание и обучение модели с Keras

Библиотека Keras является высокоуровневым API для работы с нейронными сетями, которое упрощает процесс создания и обучения моделей на TensorFlow. Она предоставляет простой и интуитивно понятный интерфейс для определения архитектуры нейросетей, компиляции моделей, обучения и оценки их производительности.

Для создания модели с использованием Keras, сначала необходимо определить последовательность слоев, которые будут составлять нейронную сеть. Например, для создания простой нейронной сети с одним скрытым слоем и одним выходным слоем, можно использовать следующий код:


from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))

После определения архитектуры модели, ее необходимо скомпилировать, указав оптимизатор, функцию потерь и метрику для оценки производительности модели во время обучения. Например:


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

После компиляции модели можно приступать к обучению на обучающих данных. Для этого используется метод fit, который принимает на вход обучающие данные, метки классов, количество эпох и размер пакета:


model.fit(X_train, y_train, epochs=10, batch_size=32)

После обучения модели можно оценить ее производительность на тестовых данных с помощью метода evaluate, который возвращает значения выбранных метрик. Например:


loss, accuracy = model.evaluate(X_test, y_test)
print(f'Loss: {loss}, Accuracy: {accuracy}')
Твои коллеги будут рады, поделись в

Автор урока

Дмитрий Комаровский
Дмитрий Комаровский

Автоматизация процессов
в КраснодарБанки.ру

Другие уроки курса "Python"

  1. Работа с zip()
  2. Ускоренный импорт библиотек
  3. Удаление и повторная вставка ключа в OrderedDict
  4. Замеры производительности в Python
  5. Оператор «not» в Python
  6. Работа со списками
  7. Модуль math: основные функции
  8. Проверка типов с использованием isinstance
  9. Декораторы в Python
  10. Строковое представление объектов
  11. Вычисление разности множеств в Python
  12. Глубокое копирование объектов
  13. Разделение строки в Python
  14. Сравнение def и lambda в Python
  15. Списковые включения в Python
  16. Оптимизация памяти с __slots__
  17. Оператор += в Python
  18. Работа с getopt
  19. Виртуальные среды в Python
  20. Определение относительного пути
  21. Работа с типами данных в Python с помощью pydantic.
  22. Инвертирование словаря
  23. Применение функции map() в Python
  24. Сравнение строк в Python
  25. Импорт модулей в Python 3.12
  26. Работа со строками в Python
  27. Слияние словарей в Python 3.9
  28. Асинхронное выполнение задач в Python
  29. Функция enumerate() — Python
  30. Pretty-printing JSON в Python
  31. Работа с f-строками 2.0
  32. Именование переменных в Python
  33. Импорт классов из другого файла
  34. Управление ресурсами с контекстными менеджерами
  35. Очистка данных с Pandas
  36. Python: Splat-оператор и splatty-splat
  37. Ветвление выражения в Python
  38. Обработка ошибок в Python
  39. Улучшение читаемости кода в Python
  40. Локальные переменные.
  41. Определение индекса элемента списка
  42. Работа с массивами в Python
  43. Отладка регулярных выражений в Python
  44. Функция count() в Python
  45. Разделение строки на подстроки в Python
  46. Работа с deque из collections
  47. Создание даты из строки ISO

Marketello читают маркетологи из крутых компаний