درس سوم: آشنایی با رابط برنامه نویسی کاربردی پایتونی کراس

آشنایی با Keras

Keras کتابخانه ای است که با آن و تنها با چند خط کد می‌توانیم برای ساختن شبکه‌های عصبی استفاده کنیم. البته کراس همه این کارها را خودش به تنهایی انجام نمی‌دهد، در حقیقت کراس یک فرانت‌اند  برای فریمورک های یادگیری عمیق تنسرفلو، CNTK و تیانو است و آن‌ها پشت شبکه‌های عصبی را می‌سازند و آموزش می‌دهند و برای همین به آن یک چهارچوب سطح بالا می گوییم چون کراس پیچیدگی استفاده از این کتابخانه‌ها را تا حد خوبی حذف می‌کند. یک ویژگی خاص دیگر کراس این است که محدود به یک کتابخانه یادگیری عمیق نیست و همانطور که گفتیم می‌توانیم از تنسرفلو، CNTK و یا تیانو برای محاسبات پشت پرده آن استفاده کنیم.

Keras یک کتابخانه یادگیری عمیق برای آموزش سریع و کارآمد مدل های یادگیری عمیق است و همچنین می تواند با Tensorflow و Theano کار کند. از آنجا که سبک وزن و بسیار آسان برای استفاده است، Keras در یک زمان بسیار کم محبوبیت زیادی به دست آورده است. ساده ترین کتابخانه‌ در این حوزه را می‌توان پایتون کراس نام برد.

کراس از رنج گسترده ایی از شبکه های عصبی پشتیبانی می‌کند و ساختن نمونه های اولیه را بسیار ساده می‌کند. و از همه مهمتر تحلیل کد آن هم بسیار ساده است. البته به عنوان یکی از نقاط قوت آن می‌توان به این نکته اشاره کرد که این کتابخانه از چند GPU پشتیبانی می‌کند.

Keras یک شبکه عصبی با سطح بالا است که به زبان Python نوشته شده و قادر به اجرا در بالای TensorFlow ، CNTK یا Theano است. این برنامه با تمرکز بر فعال کردن سریع آزمایش انجام شد. توانایی رفتن از ایده به نتیجه با حداقل تاخیر ممکن برای انجام تحقیقات خوب مهم است. Keras بهترین اقدامات را برای کاهش بار محسباتی دنبال می کند:

• API های سازگار و ساده را ارائه می دهد
• تعداد اقدامات کاربر مورد نیاز برای موارد استفاده معمولی را به حداقل می رساند و بازخورد واضح و عملی را در مورد خطای کاربر فراهم می کند.
• به طور خاص ، لایه های عصبی ، توابع هزینه ، بهینه سازها ، برنامه های اولیه سازی ، توابع فعال سازی و برنامه های منظم سازی ، همه ماژول های مستقل هستند که می توانید برای ایجاد مدل های جدید در کراس ترکیب کنید.
• Keras با زبانهای یادگیری عمیق سطح پایین تر (به ویژه TensorFlow) ادغام می شود، این امکان را برای شما فراهم می کند تا بتوانید هر چیزی را که می توانستید به زبان پایه ساخته باشید ، پیاده سازی کنید. به طور خاص، به عنوان tf.keras ، API Keras یکپارچه با گردش کار TensorFlow شما ادغام می شود.

مزیت های کتابخانه قدرتمند Keras ؟

• آسان نسبت به اغلب فریمورک ها
• تحلیل کد آن هم ساده
• قابلیت استفاده از چند GPU
• ماژولاریتی بالا
• انعطاف پذیری بالا
• پشتیبانی همزمان از چندین backend
• قابلیت ایجاد مدل های ترتیبی و تابعی
• دیتاست های آماده
• مدل های اماده زیاد
• اجرای همزمان روی چند GPU و چند سیستم