Penjelasan Lengkap Tentang Keras Deep Learning - Carakubisa

Keras dan TensorFlow


Mengingat bahwa proyek TensorFlow telah mengadopsi Keras sebagai API tingkat tinggi untuk rilis TensorFlow 2.0 yang akan datang, Keras terlihat menjadi pemenang, jika tidak harus menjadi pemenang. Dalam artikel ini, kita akan mengeksplorasi prinsip-prinsip dan implementasi Keras, dengan tujuan memahami mengapa ini merupakan peningkatan dari API pembelajaran tingkat rendah yang dalam.

Bahkan di TensorFlow 1.12, tutorial resmi Memulai dengan TensorFlow menggunakan Keras API tingkat tinggi yang tertanam di TensorFlow, tf.keras. Sebaliknya, TensorFlow Core API membutuhkan kerja dengan grafik, tensor, operasi, dan sesi komputasi TensorFlow, beberapa di antaranya mungkin sulit dipahami ketika Anda baru mulai bekerja dengan TensorFlow. Ada beberapa keuntungan menggunakan TensorFlow Core API tingkat rendah, sebagian besar saat melakukan debugging, tetapi untungnya Anda dapat mencampur TensorFlow API tingkat tinggi dan tingkat rendah sesuai kebutuhan.

Prinsip keras

Keras dibuat agar mudah digunakan, modular, mudah diperluas, dan bekerja dengan Python. API "dirancang untuk manusia, bukan mesin," dan "mengikuti praktik terbaik untuk mengurangi beban kognitif."

Lapisan neural, fungsi biaya, pengoptimalisasi, skema inisialisasi, fungsi aktivasi, dan skema regularisasi adalah semua modul mandiri yang dapat Anda gabungkan untuk membuat model baru. Modul baru mudah ditambahkan, karena kelas dan fungsi baru. Model didefinisikan dalam kode Python, bukan file konfigurasi model yang terpisah.

Kenapa Keras?

Alasan terbesar untuk menggunakan batang Keras dari prinsip-prinsip panduannya, terutama tentang menjadi ramah pengguna. Di luar kemudahan belajar dan kemudahan membangun model, Keras menawarkan keuntungan adopsi luas, dukungan untuk berbagai pilihan penyebaran produksi, integrasi dengan setidaknya lima mesin back-end (TensorFlow, CNTK, Theano, MXNet, dan PlaidML), dan dukungan kuat untuk beberapa GPU dan pelatihan terdistribusi. Plus, Keras didukung oleh Google, Microsoft, Amazon, Apple, Nvidia, Uber, dan lainnya.
Keras kembali berakhir

Keras proper tidak melakukan operasi tingkat rendahnya sendiri, seperti produk tensor dan konvolusi; itu bergantung pada mesin back-end untuk itu. Meskipun Keras mendukung beberapa mesin back-end, ujung belakang utamanya (dan default) adalah TensorFlow, dan pendukung utamanya adalah Google. Keras API dikemas dalam TensorFlow sebagai tf.keras, yang seperti yang disebutkan sebelumnya akan menjadi TensorFlow API utama pada TensorFlow 2.0.


Jadi masing-masing env pada Deep Learning memiliki fungsi yang berbeda-beda,tetapi ada juga yang mengkombinasi env tersebut supaya sistem yang dibuat dapat lebih ceras.

Sekian,semoga bermanfaat.

Referensi :
https://keras.io/models/about-keras-models/

Penjelasan Lengkap Tentang Keras Deep Learning

Keras dan TensorFlow


Mengingat bahwa proyek TensorFlow telah mengadopsi Keras sebagai API tingkat tinggi untuk rilis TensorFlow 2.0 yang akan datang, Keras terlihat menjadi pemenang, jika tidak harus menjadi pemenang. Dalam artikel ini, kita akan mengeksplorasi prinsip-prinsip dan implementasi Keras, dengan tujuan memahami mengapa ini merupakan peningkatan dari API pembelajaran tingkat rendah yang dalam.

Bahkan di TensorFlow 1.12, tutorial resmi Memulai dengan TensorFlow menggunakan Keras API tingkat tinggi yang tertanam di TensorFlow, tf.keras. Sebaliknya, TensorFlow Core API membutuhkan kerja dengan grafik, tensor, operasi, dan sesi komputasi TensorFlow, beberapa di antaranya mungkin sulit dipahami ketika Anda baru mulai bekerja dengan TensorFlow. Ada beberapa keuntungan menggunakan TensorFlow Core API tingkat rendah, sebagian besar saat melakukan debugging, tetapi untungnya Anda dapat mencampur TensorFlow API tingkat tinggi dan tingkat rendah sesuai kebutuhan.

Prinsip keras

Keras dibuat agar mudah digunakan, modular, mudah diperluas, dan bekerja dengan Python. API "dirancang untuk manusia, bukan mesin," dan "mengikuti praktik terbaik untuk mengurangi beban kognitif."

Lapisan neural, fungsi biaya, pengoptimalisasi, skema inisialisasi, fungsi aktivasi, dan skema regularisasi adalah semua modul mandiri yang dapat Anda gabungkan untuk membuat model baru. Modul baru mudah ditambahkan, karena kelas dan fungsi baru. Model didefinisikan dalam kode Python, bukan file konfigurasi model yang terpisah.

Kenapa Keras?

Alasan terbesar untuk menggunakan batang Keras dari prinsip-prinsip panduannya, terutama tentang menjadi ramah pengguna. Di luar kemudahan belajar dan kemudahan membangun model, Keras menawarkan keuntungan adopsi luas, dukungan untuk berbagai pilihan penyebaran produksi, integrasi dengan setidaknya lima mesin back-end (TensorFlow, CNTK, Theano, MXNet, dan PlaidML), dan dukungan kuat untuk beberapa GPU dan pelatihan terdistribusi. Plus, Keras didukung oleh Google, Microsoft, Amazon, Apple, Nvidia, Uber, dan lainnya.
Keras kembali berakhir

Keras proper tidak melakukan operasi tingkat rendahnya sendiri, seperti produk tensor dan konvolusi; itu bergantung pada mesin back-end untuk itu. Meskipun Keras mendukung beberapa mesin back-end, ujung belakang utamanya (dan default) adalah TensorFlow, dan pendukung utamanya adalah Google. Keras API dikemas dalam TensorFlow sebagai tf.keras, yang seperti yang disebutkan sebelumnya akan menjadi TensorFlow API utama pada TensorFlow 2.0.


Jadi masing-masing env pada Deep Learning memiliki fungsi yang berbeda-beda,tetapi ada juga yang mengkombinasi env tersebut supaya sistem yang dibuat dapat lebih ceras.

Sekian,semoga bermanfaat.

Referensi :
https://keras.io/models/about-keras-models/
Load Comments

Subscribe Our Newsletter

Notifications

Disqus Logo