Definindo redes neurais com Keras

Introdução ao TensorFlow em Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Classificando letras em língua de sinais

Esta imagem mostra a letra A em língua de sinais.

Esta imagem mostra a letra B em língua de sinais.

Esta imagem mostra a letra C em língua de sinais.

Esta imagem mostra a letra D em língua de sinais.

A API sequencial

Esta imagem mostra uma rede neural com 16 nós na primeira camada oculta, 8 na segunda e 4 na camada de saída.

A API sequencial

Camada de entrada
Camadas ocultas
Camada de saída
Ordenadas em sequência

Construindo um modelo sequencial

# Import tensorflow
from tensorflow import keras

# Define a sequential model
model = keras.Sequential()

# Define first hidden layer
model.add(keras.layers.Dense(16, activation='relu', input_shape=(28*28,)))

Construindo um modelo sequencial

# Define second hidden layer
model.add(keras.layers.Dense(8, activation='relu'))

# Define output layer
model.add(keras.layers.Dense(4, activation='softmax'))

# Compile the model
model.compile('adam', loss='categorical_crossentropy')

# Summarize the model
print(model.summary())

A API funcional

A figura mostra uma rede neural com dois conjuntos de entradas.

Usando a API funcional

# Import tensorflow
import tensorflow as tf

# Define model 1 input layer shape
model1_inputs = tf.keras.Input(shape=(28*28,))

# Define model 2 input layer shape
model2_inputs = tf.keras.Input(shape=(10,))

# Define layer 1 for model 1
model1_layer1 = tf.keras.layers.Dense(12, activation='relu')(model1_inputs)

# Define layer 2 for model 1
model1_layer2 = tf.keras.layers.Dense(4, activation='softmax')(model1_layer1)

Usando a API funcional

# Define layer 1 for model 2
model2_layer1 = tf.keras.layers.Dense(8, activation='relu')(model2_inputs)

# Define layer 2 for model 2
model2_layer2 = tf.keras.layers.Dense(4, activation='softmax')(model2_layer1)

# Merge model 1 and model 2
merged = tf.keras.layers.add([model1_layer2, model2_layer2])

# Define a functional model
model = tf.keras.Model(inputs=[model1_inputs, model2_inputs], outputs=merged)

# Compile the model
model.compile('adam', loss='categorical_crossentropy')

Vamos praticar!

Introdução ao TensorFlow em Python