Derin sinir ağları popüler olmalarına rağmen, bu tür ağları oluşturmanın karmaşıklığı, makine öğrenimi alanına yeni adım atanlar için kullanımlarını zorlaştırabilir. Sinir ağı modelleri oluştururken karmaşık yapıları anlamak ve uygulamak özellikle başlangıç aşamasında zorlayıcı olabilir. Bu zorluğu aşmak için daha basit, üst düzey bir arayüze ihtiyaç duyulur. İşte burada Keras devreye girer. Keras, TensorFlow gibi büyük bir makine öğrenimi çerçevesinin üzerine inşa edilmiş yüksek düzeyde bir sinir ağı API’sidir.
Keras ve TensorFlow Arasındaki Farklar
TensorFlow, açık kaynaklı bir makine öğrenimi kütüphanesi olup derin öğrenme uygulamaları için oldukça güçlü bir araçtır. Keras ise, TensorFlow üzerinde çalışan bir üst düzey API’dir. Keras’ın özellikle başlangıç seviyesi kullanıcılar için kullanımı daha kolaydır. TensorFlow daha düşük seviye bir araçken, Keras yüksek seviye bir soyutlama sunar.
Keras Modeli Hakkında
Keras kullanırken en çok model oluşturmayla ilgileneceksiniz. Modeller, sinir ağı tasarımınızı tanımlamak için kullanılır ve bu, TensorFlow tarafından oluşturulacak olan sinir ağı için kullanışlı bir yoldur. Keras, farklı model tiplerini oluşturmak için farklı API’ler sunar:
- Sıralı Model (Sequential Model): Sıralı bir model, katmanları sırayla eklediğiniz basit bir model tipidir. Bu tip model sadece girişten çıkışa doğru ilerler ve tek girişli, tek çıkışlı yapılarla sınırlıdır.
- İşlevsel Model (Functional Model): İşlevsel API, birden fazla giriş ve çıkışlı, yönlendirilmiş döngüsel olmayan grafikler gibi karmaşık modelleri oluşturmak için kullanılır. Bu API, sıralı paradigmadan daha esnek ve karmaşıktır.
- Model Alt Sınıflandırma (Model Subclassing): Bu yöntem, her şeyi sıfırdan oluşturmanıza izin verir. Araştırma ve karmaşık kullanım durumları için uygundur, ancak genellikle pratikte nadiren kullanılır.
Keras Katmanları ve Model Oluşturma
Keras, farklı tipte önceden tanımlanmış katmanları içerir ve aynı zamanda kendi özelleştirilmiş katmanlarınızı da oluşturmanıza imkan tanır. Bu katmanlar, sinir ağınızın yapı taşlarıdır. Yoğun (dense) katmanlar, aktivasyon katmanları, dropout katmanları, evrişim (convolution) katmanları gibi farklı katman türleri bulunur. Ayrıca, işlevsel API ile istediğiniz özel katmanları da oluşturabilirsiniz.
Sonuç olarak, Keras, TensorFlow’un üzerine inşa edilmiş kullanıcı dostu bir sinir ağı API’sidir. Başlangıç seviyesinde olanlar için ideal bir araçtır ve hızlı prototipleme yapmak isteyenler için oldukça uygundur. TensorFlow ise daha derinlemesine öğrenme ve karmaşık model oluşturma gereksinimlerini karşılamak için tercih edilebilir.
Değerlendirme ve tahmin, bir Sıralı modeldeki ile hemen hemen aynı olduğundan, aşağıdaki örnek kodun dışında bırakılmıştır. Aşağıda verilen Keras kod parçası, işlevsel API kullanarak bir sinir ağı modeli oluşturmayı ve eğitimini açıklamaktadır:
from keras.layers import Input, Dense
from keras.models import Model
# Giriş tensörünü oluşturun
inputs = Input(shape=(784,))
# Bir katman örneği bir tensörde çağrılabilir ve bir tensör döndürür
x = Dense(64, activation='relu')(inputs)
x = Dense(64, activation='relu')(x)
# Çıkış katmanı için tahminleri hesaplayın
predictions = Dense(10, activation='softmax')(x)
# Giriş katmanını ve üç Yoğun katmanı içeren bir model oluşturun
model = Model(inputs=inputs, outputs=predictions)
# Modeli derleyin
model.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])
# Veri ve etiketleri kullanarak modeli eğitin
model.fit(data, labels) # Eğitimi başlatın
Bu yazımızda keras hakkında ön bilgiler verdik, makine öğrenmesi çalışmalarım boyunca bu konulara yönelik yazılar yazıp yayınlayacağım. Sağlıklı günler dilerim. Yazılım serisini takip etmek için bu linke tıklayabilirsiniz.
Güç sizinle olsun!!!
