Biblioteca Keras

Sumário
1.	Introdução
2.	Instalação
3.	Início
4.	Optimizadores (Optimizer)
5.	Modelos
6.	Funções de activação
7.	Documentação e Links Úteis

Início

---

1. Introdução

Keras é uma API (Application Programming Interface) de aprendizagem profunda escrita em Python. Pode ser utilizada no TensorFlow, no JAX, no PyTorch.

Início

---

2. Instalação

Pode fazer-se a instalação do 'Keras' a partir, por exemplo, do TensorFlow (Ver HowTo: TensorFlow).

Início

---

3. Início

Para importar o 'Keras', a partir do TensorFlow, dentro do 'Python', fazer:

import numpy as np
import os
from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras import Sequential

Início

---

4. Optimizadores (Optimizer)

• keras.optimizers.Adam (...)
  Implementa o algoritmo Adam que é método de descida do gradiente estocástico baseado na estimação adaptativa dos momentos de primeira e segunda ordem.

Bibliografia:

• Keras: Optimizer
• TensorFlow: Optimizers

Início

---

5. Modelos

O Keras disponibiliza deversos utilitários para a criação de modelos:

• keras.Sequential (layers=None, trainable=True, name=None)
  Classe Sequential detina-se à criação de modelos simples em que cada camada tem um tensor de entrada e outro de saída.
  Exemplo:

  model = keras.Sequential([
  layers.Dense(32, activation='relu', name="layer1"),
  layers.Dense(48, activation='relu', name="layer2"),
  layers.Dense(1, name="layer3")

• keras.Functional (layers=None, trainable=True, name=None)
  A API funcional do Keras é uma forma de criar modelos mais flexíveis. do que o keras.SequentialAPI. A API funcional pode lidar com modelos. com topologia não linear, camadas partilhadas e até mesmo múltiplas entradas ou saídas.
  A ideia principal é que um modelo de aprendizagem profunda é geralmente Um grafo acíclico dirigido (DAG) de camadas. Assim, a API funcional é uma forma de construir grafos de camadas.
  Ver: Keras: The Functional API

Métodos para a manipulação de modelos:

• keras.model.add (layers.Dense(2, activation="relu"))
  
• keras.model.compile (...)
  Permite configurar o modelo. Vejamos alguns dos seus argumentos:
  • optimizer: Indica o optimizador a utilizar. Exemplo:

    optimizer='adam'

  • loss: Indica a função de perda, ou seja, a função que se deseja minimizar durante o treino e indica a sua precisão.
    Ela pode ser o nome de uma função ou uma "keras.losses.Loss". Exemplo:

    loss=keras.losses.BinaryCrossentropy()

  • metrics: Funções que se aplicam-se durante a avaliação do desempenho do modelo.
    Têm um papel idêntico a "loss" mas não se aplicam durante o treino.
    Exemplos:

    metrics=['accuracy']
    metrics=['binary_accuracy']
    ......
    

    Ver: Keras: Losses
    
  • keras.model.fit (dataset, ...)
    Executa o treino do modelo usando o conjuntos de dados "dataset". Vejamos alguns dos seus argumentos:
    • epochs: Número de iterações do treinar o modelo (default: 1)
    • validation_data: Dataset com os dados de validação (default: None)
      

Bibliografia:

• Keras: Models
• Keras: Model training APIs
• TutorialsPoint: Model
• Keras: Losses

Início

---

6. Funções de activação

As funções de activação podem ser definidas por "Activation" ou como argumentos.
Por razões de comodidade de escrita faz-se muitas vezes:

from keras import activations

Exemplos:

model.add(layers.Dense(64, activation=activations.relu))
ou
model.add(layers.Dense(64))
??? model.add(layers.Activation(keras.activations.relu))

Existem muitas funções de activação, vejamos alguns exemplos (ver "Layer activation function"):

• keras.activations.linear (x)
  Função de linear, definida como

  linear(x) = x

• keras.activations.log_sigmoid (x)
  Função log-sigmoid, definida como

  log_sigmoid(x) = log(1 / (1 + exp(-x)))

• keras.activations.relu (x, negative_slope=0.0, max_value=None, threshold=0.0)
  Função de unidade linear retificada ao tensor de entrada, os restantes argumento são facultativos e introduzidos pelos seus indicadores.
  
• keras.activations.sigmoid (x)
  Função sigmoid, definida como

  sigmoid(x) = 1 / (1 + exp(-x))

Início

---

7. Documentação e Links Úteis

• Página Principal: https://keras.io/
• Advanced Deep Learning with TensorFlow 2 and Keras (Rowel Atienza)
• Learn Keras for Deep Neural Networks (Jojo Moolayil)
• Deep Learning with Python (François Chollet)
• Deep Learning with Keras (Tutorials Point)
• Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (Aurélien Géron)
• Ref.Card: Deep Learning with Keras

Início

---