如何使用Python训练Keras模型？

TensorFlow是由Google提供的机器学习框架。它是一个开源框架，与Python一起用于实现算法、深度学习应用等等。它用于研究和生产。它具有优化技术，可帮助快速执行复杂的数学运算。

可以使用以下代码在Windows上安装‘tensorflow’软件包 –

pip install tensorflow

张量是TensorFlow中使用的数据结构。它有助于连接流程图中的边缘。这个流程图被称为‘数据流图’。张量只是多维数组或列表。

Keras是作为ONEIROS项目（开放式神经电子智能机器人操作系统）研究的一部分开发的。Keras是一个用Python编写的深度学习API。它是一个高级API，具有有利于解决机器学习问题的生产性接口。它运行在Tensorflow框架之上。它的设计初衷是帮助快速地实验。它提供了必要的抽象和构建块，这些抽象和构建块对于开发和封装机器学习解决方案是必不可少的。

Keras已经存在于Tensorflow包中。它可以使用以下代码访问。

import tensorflow
from tensorflow import keras

Keras功能API有助于创建比使用顺序API创建的模型更灵活的模型。功能API可以处理具有非线性拓扑结构的模型，可以共享图层，并可以处理多个输入和输出。深度学习模型通常是包含多个层的有向无环图（DAG）。函数API有助于构建层的图形。

我们使用Google Colaboratory运行以下代码。Google Colab或Colaboratory可通过浏览器运行Python代码，并需要零配置和免费访问GPU（图形处理单元）。Colaboratory是建立在Jupyter Notebook之上的。以下是训练模型的代码片段 –

更多Python相关文章，请阅读：Python 教程

示例

print("Sample input data")
title_data = np.random.randint(num_words, size=(1280, 10))
body_data = np.random.randint(num_words, size=(1280, 100))
tags_data = np.random.randint(2, size=(1280, num_tags)).astype("float32")
print("Sample target data")
priority_targets = np.random.random(size=(1280, 1))
dept_targets = np.random.randint(2, size=(1280, num_classes))
print("The model is being fit to the data")
model.fit(
   {"title": title_data, "body": body_data, "tags": tags_data},
   {"priority": priority_targets, "class": dept_targets},
   epochs=2,
   batch_size=32,
)

代码来源 – https://www.tensorflow.org/guide/keras/functional

输出

Sample input data
Sample target data
The model is being fit to the data
Epoch 1/2
40/40 [==============================] - 5s 43ms/step - loss: 1.2738 - priority_loss: 0.7043 -
class_loss: 2.8477
Epoch 2/2
40/40 [==============================] - 2s 44ms/step - loss: 1.2720 - priority_loss: 0.6997 -
class_loss: 2.8612
<tensorflow.python.keras.callbacks.History at 0x7f48d0809e80>