20-LEKCIYA_MDQI

20-Lekciya. Keras hám TensorFlow paketleri

Jobası:

1.Keras hám TensorFlow paketleri ózgesheligi

2.TensorFlow-dı ornatıw hám baslaw

3.Keras-tı ornatıw hám baslaw

4.TensorFlow hám Keras-tıń baylanısı

Keras hám TensorFlow - bul terеń oqıtıw hám mashinalıq oqıtıw ushın eń kóp qollanılatuǵın qurallardıń ekewi. Biz olardıń tiykarǵı túsinikleri, qollanılıwı hám bir-biri menen baylanısı haqqında sóz etemiz.

TensorFlow. TensorFlow haqqında ulıwma maǵlıwmat

TensorFlow - bul Google tárepinen islep shıǵılǵan ashıq kodlı mashina oqıtıw platforması.

Ol kóp ólshemli massivler (tensorlar) menen islewge arnalǵan.

TensorFlow kóp funkciyalı: ol terеń oqıtıw, mashinalıq oqıtıw hám predictive analytics ushın qollanıladı.

TensorFlow-dıń tiykarǵı túsinikleri

Tensor: kóp ólshemli massiv

Graph: esaplaw operaciyaların súwretleytuǵın struktura

Session: graphtı ámelge asırıw ushın ortalıq

TensorFlow-dı ornatıw hám baslaw

pip install tensorflow import tensorflow as tf

Keras. Keras haqqında ulıwma maǵlıwmat.

Keras - bul neyron tarmaqların qurıw ushın joqarı dárejeli API.

Ol TensorFlow, Theano yamasa CNTK sıyaqlı tómengi dárejeli kitapxanalar ústinde isleydi.

Keras ápiwayı interfeys arqalı tez prototiplew imkaniyatın

beredi.

Keras-tıń tiykarǵı túsinikleri:

Model: neyron tarmaqtıń strukturası

Layer: modeldıń qurılıs blokları

Optimizer: modeldi úyretiw usılı

Loss function: modeldıń nátiyjeligin bahalaw usılı

Keras-tı ornatıw hám baslaw pip install keras

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

TensorFlow hám Keras-tıń baylanısı

2017-jıldan baslap Keras TensorFlow-dıń tiykarǵı API-ne

aylandı.

TensorFlow 2.0 versiyasınan baslap, Keras TensorFlow menen

birge keledi.

Keras-tı TensorFlow arqalı import etiw múmkin:

from tensorflow import keras

Keras penen ápiwayı neyron tarmaq qurıw: import tensorflow as tf

from tensorflow import keras

# Model qurıw

model = keras.Sequential([ keras.layers.Dense(64, activation='relu',

input_shape=(10,)),

keras.layers.Dense(64, activation='relu'), keras.layers.Dense(1)

])

# Modeldi kompilaciya etiw model.compile(optimizer='adam', loss='mse',

metrics=['mae'])

# Modeldi úyretiw (bul jerde x_train hám y_train - siziń maǵlıwmatlarıńız)

model.fit(x_train, y_train, epochs=100, batch_size=32)

Keras hám TensorFlow paketlerin qollanıp, ápiwayı neyron tarmaq qurıw hám úyretiw boyınsha ámeliy mısal keltiremiz. Bul mısalda biz MNIST maǵlıwmatlar toplamın qollanamız, ol qoldan jazılǵan sanlar súwretlerin tanıw ushın qollanıladı.

import tensorflow as tf

from tensorflow import keras import numpy as np

import matplotlib.pyplot as plt

# MNIST maǵlıwmatlar toplamın júklew

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# Maǵlıwmatlardı normalizaciya qılıw x_train = x_train.astype('float32') / 255

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

# Maǵlıwmatlardı qayta formatlaw

x_train = x_train.reshape(x_train.shape[0], -1) x_test = x_test.reshape(x_test.shape[0], -1)

# Model qurıw

model = keras.Sequential([ keras.layers.Dense(128, activation='relu',

input_shape=(784,)),

keras.layers.Dense(64, activation='relu'), keras.layers.Dense(10, activation='softmax')

])

# Modeldi kompilaciya qılıw model.compile(optimizer='adam',

loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# Modeldi úyretiw

history = model.fit(x_train, y_train, epochs=5, batch_size=32, validation_split=0.2)

# Modeldi bahalaw

test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2) print(f"\nTest accuracy: {test_acc}")

# Úyretiw processi nátiyjelerin vizualizaciya qılıw plt.figure(figsize=(12, 4))

plt.subplot(1, 2, 1)

plt.plot(history.history['accuracy'], label='Training Accuracy') plt.plot(history.history['val_accuracy'], label='Validation

Accuracy')

plt.title('Model Accuracy') plt.xlabel('Epoch') plt.ylabel('Accuracy') plt.legend()

plt.subplot(1, 2, 2)

plt.plot(history.history['loss'], label='Training Loss') plt.plot(history.history['val_loss'], label='Validation Loss') plt.title('Model Loss')

plt.xlabel('Epoch')

plt.ylabel('Loss')

plt.legend()

plt.show()

# Bir neshe test súwretin boljaw predictions = model.predict(x_test[:5])

fig, axes = plt.subplots(1, 5, figsize=(15, 3)) for i, ax in enumerate(axes):

ax.imshow(x_test[i].reshape(28, 28), cmap='gray') ax.set_title(f"Predicted:

{np.argmax(predictions[i])}\nActual: {y_test[i]}") ax.axis('off')

plt.show()

Bul kod tómendegilerdi ámelge asıradı:

1.TensorFlow hám Keras kitapxanaların import etedi.

2.MNIST maǵlıwmatlar toplamın júkleydi hám tayarlaydı.

3.Úsh qatlamlı neyron tarmaq modelin quradı.

4.Modeldi kompilaciya qıladı hám úyretedi.

5.Test maǵlıwmatları tiykarında modeldi bahalaydı.

6.Úyretiw processi nátiyjelerin vizualizaciya qıladı.

Baqlaw sorawları:

1.Keras degenimiz ne hám ol qanday maqsetlerde qollanıladı?

2.TensorFlow kitapxanasın kim islep shıqqan hám onıń tiykarǵı maqseti qanday?

3.Keras kitapxanasınıń qanday tiykarǵı komponentleri bar?

4.TensorFlow 2.0 versiyasında qanday tiykarǵı ózgerisler kiritilgen?

5.Keras'tıń Sequential hám Functional API modelleriniń ayırmashılıqların túsindirip beriń.

6.TensorFlow'dıń qanday artıqmashılıqları bar hám ol basqa mashina úyreniw kitapxanalarınan nesi menen parıq qıladı?

7.Keras'ta model úyretiw ushın fit() funkciyası qanday parametrlerdi qabıl etedi hám olar ne ushın kerek?

8.TensorFlow'da grafikler (graphs) hám sessiyalar (sessions) qanday áhmiyetke iye?

9.Keras'ta qanday aktivaciya funkciyaları bar hám olar qanday jaǵdaylarda

qollanıladı?

10.TensorFlow'dıń tenzorlar menen islewdegi tiykarǵı operaciyaların atap ótiń hám olardıń maqsetin túsindirip beriń.