Keras-Dataset-Sequential

Keras-TensorFlow
juan

Nota: Keras es una API de deep-Learning escrita en Python, que se ejecuta sobre la plataforma de Machine-Learning TensorFlow de hecho se ha convertido en la API oficial de TensorFlow.

. La arquitectura central de Keras son capas y modelos, por otra parte tenemos dos formas de generar arquitectura de un modelo.

  • API o Modo-Secuencial: Se crea una instancia un objeto del tipo Model y continuación a este Model, se le van añadiendo las capas que conforman la arquitectura una detrás de la otra. Este es el modelo que utilizare.

 

Keras-Dataset (Modelo-Sequential)

Nota: Cargamos las librerias “numpy”,”tensorflow”,”keras”y generamos el modelo a utilizar sequential

Cargamos las Librerías:

  • In: import numpy as np
  • In: import tensorflow as tf
  • In: from tensorflow import keras

Cargar el conjunto dataset MNIST:

  • In: mnist = tf.keras.datasets.mnist

Convertir los valores a coma flotante y normalizados.

  • In: (x_train, y_train), (x_test, y_test) = mnist.load_data()
  • In: x_train, x_test = x_train / 255.0, x_test / 255.0

Definir el Modelo:

  • In: model = tf.keras.models.Sequential([
  • In: tf.keras.layers.Flatten(input_shape=(28, 28)),
  • In: tf.keras.layers.Dense(128, activation=‘relu’),
  • In: tf.keras.layers.Dropout(0.2),
  • In: tf.keras.layers.Dense(10, activation=‘softmax’)
  • In: ])

Compilar el Modelo:

  • In: model.compile(optimizer=‘adam’,
  • In: loss=‘sparse_categorical_crossentropy’,
  • In: metrics=[‘accuracy’])

Entrenar el Modelo:

  • In: model.fit(x_train, y_train, epochs=5)

Evaluar el Modelo:

  • In: model.evaluate(x_test, y_test)

 

Recopilando:

Tenemos un ejemplo básico del Modelo-Sequetial de Keras para la compresión inicial de Keras, relacionando con el Dataset de Mnist y una Red-Neuronal-Artificial en este caso Keras.models.sequential.

  • Referencias: Entorno-Moreluz
  • Referencias: torres.ai