Entendendo e Trabalhando com Keras

Keras é uma compacta e fácil biblioteca em alto nível em linguagem de programação python para Deep Learning que pode rodar sobre o Tensorflow(ou Theano ou CNTK). O Keras permite que desenvolvedores possam focar nos principais conceitos de uma deep learning como a criação de camadas de uma rede neural enquanto tomam o cuidado com os pequenos detalhes dos tensores, as formas, e os detalhes matemáticos. O Tensorflow é o backend do Keras.

Há dois principais tipos de frameworks em Keras: o Sequential API e o Funcional API. O Sequential API é baseado na ideia de sequência de camadas, e esse é o mais comumente usado no Keras. O modelo sequencial pode ser considerado como uma pilha linear de camadas.

Em resumo, você cria um modelo sequencial quando quer adicionar camadas facilmente, e cada camada pode ter convolução, maxpooling, ativação, drop-out, e normalização.

Principais Passos para um Modelo de Deep Learning

As quatro principais partes para um modelo de deep learning são:

1.     Defina o Modelo: Nessa etapa você cria um modelo sequencial e adiciona as camadas. Cada camada contém uma ou mais convoluções, pooling, normalização, e função de ativação.

Os modelos Sequencias no Keras são definidos como uma sequencia de camadas, você cria o modelo e então adiciona as camadas. É preciso garantir que a camada de entrada tem o número cerro de entrada dos dados, presuma que você tenha 3072 variáveis de entrada, então você deve criar a primeira camada para receber essa quantidade de variáveis. Em seguida vão se criando as demais camadas do modelo.

2.     Compila o Modelo: Nessa etapa temos que decidir e aplicar a função perda e otimizador que queremos utilizar no modelo. Decidido os detalhes podemos chamar a função compile().

Tendo definido o modelo em termo das suas camadas, você precisa agora declarar qual é sua função custo/perda e o otimizados, alem da métrica avaliativa. Quando um modelo é proposto os pesos e constantes são assumidos para serem 0 ou 1, ou alguma outra distribuição normal de números. No entanto, os valores iniciais não são os valores ótimos e terão que ser atualizados durante o processo. Para esse caminho você terá que definir um otimizador que irá minimizar a função custo e definir a métrica avaliativa.

3.     Treine o Modelo: Nesse ponto você treina o modelo no conjunto de dados de treinamento chamando a função fit().

Tendo definido e compilado o modelo você precisa agora fazer o treinamento do modelo em algum conjunto de dados pré-selecionado. Agora você precisa especificar as regras, elas são as quantidades de interações para o processo de treinamento rodar ao longo dos dados e o tamanho dos lotes a serem usados.

4.     Faça Predições: Aqui você usa o modelo para gerar predições no conjunto de dados de testes chamando as funções evaluate() e predict().

Uma vez o modelo treinado no conjunto de dados agora é agora de fazer a avaliação, aonde você avalia a acurácia e a performance do modelo.