Keras &mdask; Models

Sumário
1.	Introdução
	Criação de modelos:
2.	"Sequential:" Cria modelos com camadas simples
3.	"Functional:" Cria modelos com múltiplas entradas e saídas, etc.
	Métodos (variável "model"):
4.	"add:" Adiciona uma camada a um modelo
5.	"compile:" Faz a configurar o modelo
6.	"evaluate:" Aplicar um modelo treinado a um conjunto de dados
7.	"fit:" Executa o treino do modelo
8.	"summary:" Visualizar o modelo
9.	":"
	Leitura e escrita de modelos em ficheiros:
10.	Guardar um modelo num ficheiro
11.	Leitura de um modelo de um ficheiro
12.	Links úteis

Início

---

1. Introdução

Os modelos são basicamente constituídos por uma ou mais entradas, por um conjunto de camadas interiores e por uma ou mais saídas. O Keras disponibiliza basicamente duas APIs para a criação de modelos e um conjunto de métodos que a elas se aplicam.
Na apresentação dos métodos vai usar como variável genérica de um model "model".

Início

---

2. "Sequential:" Cria modelos com camadas simples

keras.Sequential (layers=None, trainable=True, name=None)
Classe Sequential destina-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")

Início

---

3. "Functional:" Cria modelos com múltiplas entradas e saídas, etc.

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.Sequential. Ela 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, uma forma de construir grafos de camadas.
Ver: Keras: The Functional API

Início

---

4. "add:" Adiciona uma camada a um modelo

Este método permite adicionar uma camada a um modelo. Exemplo:

model.add (layers.Dense(2, activation="relu"))

Início

---

5. "compile:" Faz a configurar o modelo

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

Início

---

6. "evaluate:" Aplicar um modelo treinado a um conjunto de dados

Para aplicar um modelo, "model", treinado a um conjunto de dados "dsData", pode usar-se o método "evaluate" que retorna o teste de perdas e teste de precisão:

loss, acc = model.evaluate (dsData)

print("Restored model, accuracy: {:5.2f}%".format(100 * acc))

Início

---

7. "fit:" Executa o treino do modelo

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)
  

Início

---

8. "summary:" Visualizar o modelo

Para visualizar um modelo pode usar-se o método "summary":

model.summary ()

Para uma visualização mais detalhada ver: HowTo: keras.utils.plot_model

Início

---

9. ":"

Início

---

10. Guardar um modelo num ficheiro

model.save(filepath, overwrite=True, zipped=None, **kwargs)
É um aliás de mkeras.saving.save_model(). Guarda "model" num ficheiro, "filepath".

model.save ('__ficheiro__.keras')

O ficheiro assim criado, é um ficheiro "zip" que contém os seguintes ficheiros:

• metadata.json
• config.json
• model.weights.h5

É ainda possível guardar os resultados do treino passo a passo ou guardar apenas os pesos:

• Guardá-los no final
• Guardá-los passo a passo
• Guardar os pesos

Início

---

11. Leitura de um modelo de um ficheiro

A leitura de um modelo a partir de um ficheiro é feita com a função:

keras.models.load_model(filepath, custom_objects=None, compile=True, safe_mode=True)

em que "filepath" é o ficheiro em que foi guardado o modelo e Exemplo:

model = keras.models.load_model ('__ficheiro__.keras')

Ver: tf.keras.models.load_model

Início

---

12. Links úteis

• Keras: The Sequential class
• TensorFlow: O modelo Sequencial
• Keras: The Functional API

Início

---