- Bài 1: Giới thiệu
- Bài 2: Cài đặt
- Bài 3: Cấu hình backend
- Bài 4: Tổng quan về Deep learning
- Bài 5: Deep learning
- Bài 6: Mô đun
- Bài 7: Layers (phần 1)
- Bài 8: Layers (Phần 2)
- Bài 9: Tuỳ chỉnh Layer
- Bài 10: Models
- Bài 11: Tổng hợp Model (Phần 1)
- Bài 12: Tổng hợp Model (Phần 2)
- Bài 13: Đánh giá và dự đoán mô hình
- Bài 14: Convolution Neural Network
- Bài 15: Dự đoán hồi quy sử dụng MPL
- Bài 16: Dự đoán chuỗi thời gian bằng LSTM RNN
- Bài 17: Ứng dụng
- Bài 18: Dự đoán thời gian thực với mô hình ResNet
- Bài 19: Pre-Trained Models
Bài 1: Giới thiệu - Keras cơ bản
Đăng bởi: Admin | Lượt xem: 5188 | Chuyên mục: AI
Học sâu(Deep learning) là một trong những lĩnh vực chính trong khuôn khổ học máy(Machine learning). Học máy là nghiên cứu thiết kế các thuật toán, lấy cảm hứng từ mô hình não người. Học sâu đang trở nên phổ biến hơn trong các lĩnh vực khoa học dữ liệu như robot, trí tuệ nhân tạo (AI), nhận dạng âm thanh và video và nhận dạng hình ảnh. Mạng nơ-ron nhân tạo là cốt lõi của phương pháp học sâu. Học sâu được hỗ trợ bởi các thư viện khác nhau như Theano, TensorFlow, Caffe, Mxnet, v.v., Keras là một trong những thư viện python mạnh mẽ và dễ sử dụng nhất, được xây dựng dựa trên các thư viện học sâu phổ biến như TensorFlow, Theano, v.v. , để tạo ra các mô hình học sâu.
1. Tổng quan về Keras :
Keras chạy trên các thư viện máy mã nguồn mở như TensorFlow, Theano hoặc Bộ công cụ nhận thức (CNTK). Theano là một thư viện python được sử dụng cho các tác vụ tính toán số nhanh. TensorFlow là thư viện toán học biểu tượng nổi tiếng nhất được sử dụng để tạo mạng nơ-ron và mô hình học sâu. TensorFlow rất linh hoạt và lợi ích chính là tính toán phân tán. CNTK là khung học sâu được phát triển bởi Microsoft. Nó sử dụng các thư viện như Python, C #, C ++ hoặc các bộ công cụ học máy độc lập. Theano và TensorFlow là những thư viện rất mạnh nhưng khó hiểu để tạo mạng nơ-ron.
Keras dựa trên cấu trúc tối thiểu, cung cấp một cách dễ dàng và dễ dàng để tạo các mô hình học sâu dựa trên TensorFlow hoặc Theano. Keras được thiết kế để xác định nhanh các mô hình học sâu. Chà, Keras là một lựa chọn tối ưu cho các ứng dụng học sâu.
2. Đặc trưng :
Keras tận dụng các kỹ thuật tối ưu hóa khác nhau để làm cho API mạng thần kinh cấp cao dễ dàng hơn và hiệu quả hơn. Nó hỗ trợ các tính năng sau
- API nhất quán, đơn giản và có thể mở rộng.
- Cấu trúc tối thiểu - dễ dàng đạt được kết quả mà không cần rườm rà.
- Hỗ trợ nhiều nền tảng và backend.
- Thân thiện với người dùng chạy trên cả CPU và GPU.
- Khả năng mở rộng tính toán cao.
3. Lợi ích :
Keras năng động , mạnh mẽ và có những ưu điểm sau
- Cộng động lớn hỗ trợ
- Dễ dàng để kiểm tra.
- Mạng nơ-ron Keras được viết bằng Python giúp mọi thứ đơn giản hơn.
- Keras hỗ trợ cả mạng convolution và recurrent.
- Mô hình học sâu là các thành phần rời rạc, do đó, bạn có thể kết hợp thành nhiều cách.

Theo dõi VnCoder trên Facebook, để cập nhật những bài viết, tin tức và khoá học mới nhất!
- Bài 1: Giới thiệu
- Bài 2: Cài đặt
- Bài 3: Cấu hình backend
- Bài 4: Tổng quan về Deep learning
- Bài 5: Deep learning
- Bài 6: Mô đun
- Bài 7: Layers (phần 1)
- Bài 8: Layers (Phần 2)
- Bài 9: Tuỳ chỉnh Layer
- Bài 10: Models
- Bài 11: Tổng hợp Model (Phần 1)
- Bài 12: Tổng hợp Model (Phần 2)
- Bài 13: Đánh giá và dự đoán mô hình
- Bài 14: Convolution Neural Network
- Bài 15: Dự đoán hồi quy sử dụng MPL
- Bài 16: Dự đoán chuỗi thời gian bằng LSTM RNN
- Bài 17: Ứng dụng
- Bài 18: Dự đoán thời gian thực với mô hình ResNet
- Bài 19: Pre-Trained Models