Keras Python（开发者如何工作）

介绍

Keras是一个功能强大、易于使用的 Python 库，用于开发和评估深度学习模型。 Keras 模型最初由 François Chollet 开发，因其简单易用、界面友好而广受欢迎，是机器学习领域初学者和专家的绝佳选择。

此外，我们还将研究IronPDFPDF 生成库以及我们如何将这两个库结合起来生成结果并导出为 PDF。 深度模型、

Keras的主要功能

1. 用户友好、模块化

Keras 的口号是 "人类的深度学习"，其设计宗旨是易于使用、模块化和可扩展。 Keras 模型会在出现错误时提供清晰、可操作的反馈，这有助于开发人员高效地调试和优化模型。

2. 支持多个后端

Keras 可在各种深度学习框架（如 TensorFlow、Theano 和 Microsoft Cognitive Toolkit）之上运行(CNTK). 这种灵活性允许开发人员选择最适合其需求的后端。

3. 广泛支持神经网络

Keras 支持各种神经网络层，包括卷积层、递归层和全连接层。 它还为多输入和多输出模型、层共享和模型共享等复杂架构提供支持。

4. 预处理实用工具

Keras 包括用于数据预处理（如图像和文本处理）的实用程序，可简化用于训练模型的数据集的准备工作。

5. 模型可视化和调试工具

Keras 提供可视化神经网络结构和监控训练过程的工具。 这对于理解模型的行为并进行必要的调整至关重要。 最简单的模型类型是序列 Keras 模型，即简单的线性层栈。

安装

安装 Keras 非常简单。 您可以使用 pip 安装：

pip install keras 
pip install tensorflow

使用 Keras 构建简单的神经网络

下面是如何使用 Keras 构建简单前馈神经网络的示例：

import keras
import numpy as np
import matplotlib.pyplot as plt
def readucr(filename):
    data = np.loadtxt(filename, delimiter="\t")
    y = data[:, 0]
    x = data[:, 1:]
    return x, y.astype(int)
root_url = "https://raw.githubusercontent.com/hfawaz/cd-diagram/master/FordA/"
x_train, y_train = readucr(root_url + "FordA_TRAIN.tsv")
x_test, y_test = readucr(root_url + "FordA_TEST.tsv")
classes = np.unique(np.concatenate((y_train, y_test), axis=0))
plt.figure()
for c in classes:
    c_x_train = x_train[y_train == c]
    plt.plot(c_x_train[0], label="class " + str(c))
plt.legend(loc="best")
plt.show()
plt.close()

import keras
import numpy as np
import matplotlib.pyplot as plt
def readucr(filename):
    data = np.loadtxt(filename, delimiter="\t")
    y = data[:, 0]
    x = data[:, 1:]
    return x, y.astype(int)
root_url = "https://raw.githubusercontent.com/hfawaz/cd-diagram/master/FordA/"
x_train, y_train = readucr(root_url + "FordA_TRAIN.tsv")
x_test, y_test = readucr(root_url + "FordA_TEST.tsv")
classes = np.unique(np.concatenate((y_train, y_test), axis=0))
plt.figure()
for c in classes:
    c_x_train = x_train[y_train == c]
    plt.plot(c_x_train[0], label="class " + str(c))
plt.legend(loc="best")
plt.show()
plt.close()

输出

现实世界应用

1. 图片分类

Keras 广泛用于图像分类任务。 例如，卷积神经网络(有线电视新闻网)使用 Keras 构建的模型能够在图像对象识别中实现高准确率。

2. 自然语言处理

Keras 为构建能够处理和理解人类语言的模型提供了工具。 递归神经网络(循环神经网络 (RNNs))和长短期记忆(LSTM)在 Keras 中，网络通常用于情感分析和机器翻译等任务。

3. 生成模型

Keras 可用于开发生成模型，如生成对抗网络（Generative Adversarial Networks(生成对抗网络)用于生成与训练数据相似的新数据样本。

介绍IronPDF

IronPDF是由 Iron Software 开发和维护的一个功能强大的 Python 库。 它允许开发人员在 Python 项目中创建、编辑和提取 PDF 内容。 以下是 IronPDF 的一些主要功能：

1. PDF 生成：

   • 您可以从各种来源生成 PDF，包括 HTML、URL、JavaScript、CSS 和图像格式。
   • 可以在生成的 PDF 文件中添加页眉、页脚、签名、附件和安全功能。

2. 性能优化：

   • IronPdf 支持完全多线程和异步操作。

3. 跨平台兼容性：

   • 它适用于 Windows、macOS、Linux、Docker、Azure 和 AWS 上的 Python 3.7+。

   要开始使用，请使用 pip 安装 IronPDF：

pip install ironpdf

安装后，您可以使用 HTML 内容或 URL 创建 PDF。 下面是一些例子：

1. HTML 至 PDF：

from ironpdf import ChromePdfRenderer
renderer = ChromePdfRenderer()
pdf = renderer.RenderHtmlAsPdf("<h1>Hello World</h1>")
pdf.SaveAs("ironAwesome.pdf")

from ironpdf import ChromePdfRenderer
renderer = ChromePdfRenderer()
pdf = renderer.RenderHtmlAsPdf("<h1>Hello World</h1>")
pdf.SaveAs("ironAwesome.pdf")

1. URL到PDF:

from ironpdf import ChromePdfRenderer
renderer = ChromePdfRenderer()
pdf = renderer.RenderUrlAsPdf("https://ironpdf.com/python/")
pdf.SaveAs("ironAwesome.pdf")

from ironpdf import ChromePdfRenderer
renderer = ChromePdfRenderer()
pdf = renderer.RenderUrlAsPdf("https://ironpdf.com/python/")
pdf.SaveAs("ironAwesome.pdf")

IronPDF 和 Keras Python：生成模型的 PDF

安装

pip install ironpdf
pip install keras
pip install tensorflow

现在生成模型图并使用以下代码将其导出为PDF：

import keras
import numpy as np
import matplotlib.pyplot as plt
from ironpdf import * 
# Apply your license key
License.LicenseKey = "your key goes here"
def readucr(filename):
    data = np.loadtxt(filename, delimiter="\t")
    y = data[:, 0]
    x = data[:, 1:]
    return x, y.astype(int)
root_url = "https://raw.githubusercontent.com/hfawaz/cd-diagram/master/FordA/"
x_train, y_train = readucr(root_url + "FordA_TRAIN.tsv")
x_test, y_test = readucr(root_url + "FordA_TEST.tsv")
classes = np.unique(np.concatenate((y_train, y_test), axis=0))
plt.figure()
for c in classes:
    c_x_train = x_train[y_train == c]
    plt.plot(c_x_train[0], label="class " + str(c))
plt.legend(loc="best")
plt.savefig('data.png') 
plt.show()
plt.close()
ImageToPdfConverter.ImageToPdf("data.png").SaveAs("plot.pdf")

import keras
import numpy as np
import matplotlib.pyplot as plt
from ironpdf import * 
# Apply your license key
License.LicenseKey = "your key goes here"
def readucr(filename):
    data = np.loadtxt(filename, delimiter="\t")
    y = data[:, 0]
    x = data[:, 1:]
    return x, y.astype(int)
root_url = "https://raw.githubusercontent.com/hfawaz/cd-diagram/master/FordA/"
x_train, y_train = readucr(root_url + "FordA_TRAIN.tsv")
x_test, y_test = readucr(root_url + "FordA_TEST.tsv")
classes = np.unique(np.concatenate((y_train, y_test), axis=0))
plt.figure()
for c in classes:
    c_x_train = x_train[y_train == c]
    plt.plot(c_x_train[0], label="class " + str(c))
plt.legend(loc="best")
plt.savefig('data.png') 
plt.show()
plt.close()
ImageToPdfConverter.ImageToPdf("data.png").SaveAs("plot.pdf")

代码解释

1. 导入库：

   • 代码首先要导入必要的库：

     • Keras：一种流行的深度学习库。

     • 数字(作为矩 np):用于数字运算。

     • matplotlib.pyplot(如 plt):用于创建绘图。
     • IronPdf：用于处理 PDF 的 IronPDF 库。

2. 设置许可证密钥：

   • License.LicenseKey = "您的密钥 "一行设置了 IronPDF 的许可证密钥。

3. 阅读数据：

   • readucr 功能从特定格式的文件中读取数据(制表符分隔值).
   • 它可以提取标签(y)和功能(x)从数据来看

4. 加载培训和测试数据：

   • 代码构建了与 "FordA "数据集相关的训练和测试数据文件的 URL。
   • 它使用 readucr 函数加载数据。

5. 绘制数据：

   • 代码可识别数据集中的独特类。

   • 对于每个类，它会选择第一个实例(c_x_train[0])并将其绘制成图。
   • 图例表示类标签。

6. 拯救情节：

   • 情节保存为名为 "data.png "的图像文件。

7. 将图像转换为 PDF：

   • IronPDF 的 ImageToPdfConverter 可转换保存的图像(“data.png”)到PDF文件(“plot.pdf”).

输出 PDF

IronPDF 许可证

IronPDF如上代码所示，".NET "需要许可证才能运行。 在脚本开头设置许可证密钥：

# Apply your license key
License.LicenseKey = "your key goes here"

# Apply your license key
License.LicenseKey = "your key goes here"

如果您对IronPDF库的试用许可证感兴趣，可以从获得试用许可证密钥*这里***.

结论

Keras 人工智能 Python 库以其简单性和灵活性在深度学习领域脱颖而出。 它抽象了构建神经网络所涉及的大部分复杂性，使开发人员能够专注于模型的设计和实验。 无论您是刚刚开始深度学习的初学者，还是经验丰富的实践者，Keras 都能提供所需的工具，通过模拟人脑将您的想法变为现实。

IronPDF 则是一个多功能 PDF 生成和操作库，可以轻松将结果导出为 PDF。 掌握这两项技能将有助于用户编写现代数据科学模型，并将输出导出为 PDF 格式的结果文档。