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. Получение обратного списка чисел
  2. Метод rxor для операции побитового исключающего «или»
  3. Замена атрибута в именованном кортеже
  4. Преобразование числа в восьмеричную строку
  5. TypedDict для kwargs в Python 3.12
  6. Переопределение метода __eq__
  7. Поиск наиболее частого элемента в списке
  8. Переменные в Python
  9. Создание директории в Python
  10. Метод lt для сортировки объектов
  11. Работа со строками в Python
  12. Чтение и запись TOML-конфигов
  13. Управление IP-адресами через прокси
  14. Получение комбинаций в Python
  15. Импорт с альтернативным именем
  16. Удаление URL-адресов в Python
  17. Тернарный оператор в Python
  18. Именованные срезы в Python
  19. Работа с прокси в Python
  20. Комментарии в Python
  21. Python enumerate() для работы с индексами
  22. Работа с многоуровневыми словарями в Python
  23. Возврат значений из генератора
  24. Разработка игры Pong с turtle
  25. kwargs в Python
  26. Переопределение унарных операторов
  27. Python Enumerate
  28. Сортировка в Python
  29. Базовые объекты Python
  30. Форматирование строк в Python
  31. Сериализация данных в JSON с помощью json.dumps
  32. Повторение элементов в Python
  33. Работа с дробями в Python
  34. Настройка шрифта и цвета в Tkinter
  35. Хэш-функции и метод цепочек
  36. Удаление элементов из списка в Python
  37. Объединение списков в Python
  38. Структура данных deque в Python
  39. Работа с CSV файлами в Python
  40. Подсчет вхождений элементов
  41. Подписка на @SelectelNews
  42. Python union() функция — объединение множеств
  43. Тестирование функции сложения
  44. Ограничение ресурсов в Python
  45. Каналы Senior: Python, Java, Frontend, SQL, C++
  46. Создание пользовательской коллекции в Python

Marketello читают маркетологи из крутых компаний