Keras Tutorial: Deep-Learning Beispiel mit Keras & Python

Bei Keras handelt es sich um eine Open-Source-Bibliothek zur Erstellung von Deep-Learning-Anwendungen. Keras ist in Python geschrieben und bietet eine einheitliche Schnittstelle für verschiedene Deep-Learning-Backends wie „TensorFlow” und „Theano”. Deep Learning ist ein Teilbereich von Machine Learning und basiert auf künstlichen neuronalen Netzen.

Keras zielt darauf ab, den Einstieg in Deep Learning zu vereinfachen. Im Verlauf dieses Keras-Tutorials werden wir die Funktionsweise von Keras anhand eines einfachen Beispiels erläutern.

Maximaler Schutz für Ihre Daten von IONOS

Einfache Backups für Cloud-Infrastruktur, PCs und Smartphones, inklusive persönlichem Berater!

Umfassender Schutz

Einfache Wiederherstellung

Schnelle Datenspeicherung

Ihr System für die Nutzung von Keras vorbereiten

Bereiten Sie Ihr System für die Nutzung von Keras am besten vor, indem Sie das Softwarepaket „Anaconda” installieren. Dabei handelt es sich um eine kostenlos verfügbare Plattform für Data Science. Sie beinhaltet nützliche Bibliotheken und Tools und bringt eine Python3-Installation von Haus aus mit.

Anaconda und Python installieren

Die nachfolgenden Erklärungen und der abgebildete Code beziehen sich auf macOS. Prinzipiell sollte der Code auch unter anderen Betriebssystemen laufen. Es kann jedoch sein, dass Sie einige Anpassungen vornehmen müssen, insbesondere, wenn Sie Windows verwenden.

Wenn Sie mit der Kommandozeile vertraut sind und die freie Paketverwaltung Homebrew auf Ihrem Mac installiert haben, nutzen Sie diese, um Anaconda zu installieren. Öffnen Sie dazu eine Kommandozeile (‘Terminal.App’ auf dem Mac), kopieren Sie die folgende Codezeile in das Terminal und führen Sie sie aus.

brew cask install anaconda

Sollten Ihnen Homebrew kein Begriff sein oder möchten Sie Anaconda unter Windows oder Linux installieren, laden Sie das für Ihr System passende Installationspaket von der folgenden Seite herunter: Anaconda – Individual Edition.

Anaconda- und Python-Installation testen

Um sicherzustellen, dass Anaconda und Python korrekt installiert wurden, führen Sie die folgenden Befehle auf der Kommandozeile aus:

Um sich die Version des Conda-Paketmanagers anzeigen zu lassen

Um die Version des Python-Interpreters angezeigt zu bekommen

Sollten Ihnen bei der Eingabe die Fehlermeldung „Befehl nicht gefunden” angezeigt werden, müssen Sie gegebenenfalls den Pfad auf die Anaconda-Binaries setzen. Lesen Sie dafür den nächsten Abschnitt. Haben die Tests funktioniert, überspringen Sie ihn.

Pfad für Anaconda-Binaries setzen

Die Pfad-Umgebungsvariable „PATH“ enthält Informationen darüber, wo im Dateisystem sich bestimmte Hilfsprogramme befinden. Einzelne Pfade innerhalb der Umgebungsvariable werden mit einem Doppelpunkt getrennt. Sie können weitere Pfade anhängen, hier dargestellt für Anaconda in der Version 3:

export PATH=/usr/local/anaconda3/bin:"$PATH"

Damit der Pfad auch tatsächlich aktiv wird, müssen Sie diese Codezeile in Ihrem System hinterlegen. Je nach System und der eingesetzten Shell (Bash, zsh etc.) unterscheidet sich die Datei, in der die Änderung vorgenommen wird. Wir zeigen dies hier exemplarisch für Bash unter macOS.

Führen Sie die folgenden Codezeilen auf der Kommandozeile aus, um die Pfad-Variable in der Datei „.bash_profile“ anzupassen:

Pfad-Variable, um die Anaconda-Installation zu erweitern

echo -n 'export PATH=/usr/local/anaconda3/bin:"$PATH"' >> "$HOME/.bash_profile"

Die .bash_profile-Datei laden

source "$HOME/.bash_profile"

python << EOF
print()
# scipy
import scipy
print('scipy: %s' % scipy.__version__)
# numpy
import numpy
print('numpy: %s' % numpy.__version__)
# matplotlib
import matplotlib
print('matplotlib: %s' % matplotlib.__version__)
# pandas
import pandas
print('pandas: %s' % pandas.__version__)
# statsmodels
import statsmodels
print('statsmodels: %s' % statsmodels.__version__)
# scikit-learn
import sklearn
print('sklearn: %s' % sklearn.__version__)
print()
EOF

python -c "import keras; print(keras.__version__)"

pip install --upgrade keras

python << EOF
# Keras laden
import keras
# MNIST Training- und Test-Datensätze laden
from keras.datasets import mnist
# Bibliothek für grafische Darstellung laden
import matplotlib.pyplot as plt
# Funktion für zufällige Bildauswahl laden
from random import randint

# Datensätze laden
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# Bild zeigen
plt.figure()
plt.imshow(train_images[randint(1, len(train_images) - 1)])
plt.grid(False)
plt.show()
EOF

mkdir "$HOME/Desktop/keras-test/" && cd "$HOME/Desktop/keras-test/"

cd "$HOME/Desktop/keras-test/" && python keras-test.py

# Code in der Datei 'keras-test.py' im Ordner 'keras-test' speichern
from __future__ import print_function
# Keras laden
import keras
# MNIST Training- und Test-Datensätze laden
from keras.datasets import mnist
# Sequentielles Modell laden
from keras.models import Sequential
# Ebenen des neuronalen Netzes laden
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K

# Anzahl unterschiedlicher Daten-Ausprägungen: Ziffern 0–9
num_classes = 10
# Anzahl der Durchgänge für Training des neuronalen Netzes
epochs = 12
# Anzahl der während eines Durchgangs genutzten Daten
batch_size = 128

# Dimensionen der Eingabebilder (28 x 28 Pixel pro Bild)
img_rows, img_cols = 28, 28

# Trainings- und Testdaten laden
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

if K.image_data_format() == 'channels_first':
    train_images = train_images.reshape(train_images.shape[0], 1, img_rows, img_cols)
    test_images = test_images.reshape(test_images.shape[0], 1, img_rows, img_cols)
    input_shape = (1, img_rows, img_cols)
else:
    train_images = train_images.reshape(train_images.shape[0], img_rows, img_cols, 1)
    test_images = test_images.reshape(test_images.shape[0], img_rows, img_cols, 1)
    input_shape = (img_rows, img_cols, 1)

# Gleitkomma-Datentyp setzen
train_images = train_images.astype('float32')
test_images = test_images.astype('float32')
# Bilddaten normalisieren
train_images /= 255
test_images /= 255

print('train_images shape:', train_images.shape)
print(train_images.shape[0], 'train samples')
print(test_images.shape[0], 'test samples')

# Klassen-Vektoren in binäre Klassen-Matrizen konvertieren
train_labels = keras.utils.to_categorical(train_labels, num_classes)
test_labels = keras.utils.to_categorical(test_labels, num_classes)

# Modell erzeugen
model = Sequential()
# Ebenen zum Modell hinzufügen
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

# Modell kompilieren
model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

# Modell trainieren
model.fit(train_images, train_labels,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(test_images, test_labels))

# Modell auswerten
score = model.evaluate(test_images, test_labels, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

Ihr System für die Nutzung von Keras vorbereiten

Anaconda und Python installieren

Anaconda- und Python-Installation testen

Pfad für Anaconda-Binaries setzen

Anaconda- und Python-Installation auf den neuesten Stand bringen

Versionsnummern der installierten Keras-Deep-Learning-Pakete überprüfen

Keras auf Ihrem System installieren

Beispiel für ein einfaches Keras Deep-Learning

Kommentar verfassen Kommentieren abbrechen