Mendefinisikan jaringan saraf dengan Keras

Pendahuluan TensorFlow di Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Klasifikasi huruf bahasa isyarat

Gambar ini menunjukkan huruf bahasa isyarat A.

Gambar ini menunjukkan huruf bahasa isyarat B.

Gambar ini menunjukkan huruf bahasa isyarat C.

Gambar ini menunjukkan huruf bahasa isyarat D.

Sequential API

Gambar ini menunjukkan jaringan saraf dengan 16 node di lapisan tersembunyi pertama, 8 di lapisan kedua, dan 4 di lapisan keluaran.

Sequential API

Lapisan input
Lapisan tersembunyi
Lapisan keluaran
Berurutan

Membangun model sequential

# 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,)))

Membangun model sequential

# 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())

Functional API

Gambar menunjukkan jaringan saraf dengan dua set masukan.

Menggunakan Functional API

# 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)

Menggunakan Functional API

# 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')

Ayo berlatih!

Pendahuluan TensorFlow di Python