Introducción y como Instalar Keras en Python Anaconda

Dos de las plataformas numéricas más importantes de Python que proporcionan la base para la investigación y el desarrollo del Deep Learning son Theano y TensorFlow. Ambas son librerías muy poderosas, pero pueden ser tediosas usadas directamente para crear modelos de Deep Learning.

¿Qué es Keras?

Keras es una biblioteca de Python minimalista para Deep Learning que puede funcionar sobre Theano o TensorFlow. Fue desarrollada con el objetivo de que los modelos de Deep Learning sean tan rápidos y fáciles tanto para la investigación como el desarrollo. Funciona en Python 2.7 o 3.6 y se puede ejecutar sin problemas sobre las GPU y las CPU. Es libre bajo una licencia del MIT. Keras fue desarrollado por Francois Chollet, un ingeniero de Google que utiliza cuatro principios rectores:

• Modularidad: Un modelo puede entenderse sólo como una secuencia o como un gráfico. Todas las características de un modelo de aprendizaje profundo son componentes discretos que pueden combinarse de manera arbitraria.
• Minimalismo: La biblioteca proporciona lo justo para lograr un resultado, sin florituras y maximizando la legibilidad.
• Extensibilidad: Los nuevos componentes son intencionalmente fáciles de añadir y usar dentro del marco destinado a que los desarrolladores prueben y exploren nuevas ideas.
• Python: No hay modelos separados con formatos personalizados. Todo es nativo de Python.

Como instalar Keras en Anaconda

En este tutorial vamos a instalar Keras en window con Python Anaconda. Para ello vamos a seguir los mismos pasos que en el tutorial de Instalación de TensorFlow en Anaconda.

Una vez tenemos Anaconda Instalado vamos con Keras.

Para instalar Keras vamos a ir al prompt de Anaconda. Vaya a “Windows” –> Busque “Anaconda Prompt” como se muestra a continuación:

Luego haga clic derecho en el programa Anaconda Prompt y ejecútelo como administrador.

Luego ejecute el siguiente comando:

conda install -c conda-forge keras

Aceptamos si nos preguntan que se van a instalar otros paquetes y esperamos hasta que se complete toda la instalación.

Para comprobar si la instalación de Keras ha sido correcta abrimos Anaconda y ejecutamos el siguiente código:

from keras.models import Sequential

model = Sequential()

Si todo ha sido correcto deberemos leer en el terminal:

Using TensorFlow backend.

Backends Theano y TensorFlow para Keras

Keras es una API ligera y en lugar de proporcionar una implementación de las operaciones matemáticas necesarias para el aprendizaje profundo, proporciona una interfaz coherente con las bibliotecas numéricas efiecientes llamadas backends (Theano y TensorFlow). Asumiendo que tiene Theano y TensorFlow instalados, puede chequear el backend usado por Keras. La manera más fácil es agregando o editando la conguración de Keras en su directorio home:

~/.keras/keras.json

El cual si lo abres:

{
“image_dim_ordering”: “tf”,
“epsilon”: 1e-07,
“floatx”: “float32”,
“backend”: “tensorflow”
}

En esta configuración le puede cambiar la propiedad backend de tensorflow (por defecto) a theano. Keras utilizará la dicha configuración en la próxima vez que se ejecute. Puede confirmar el backend usado por Keras usando el script de arriba. Como puedes ver a mi me aparece Tensorflow.

Construya modelos de Deep Learning con Keras

El enfoque de Keras es la idea de un modelo. El tipo principal de modelo es una secuencia de capas llamada Secuencial que es una pila lineal de capas. Se crea un Secuencial y se le añaden capas en el orden en que desea que se realice el cálculo. Una vez definido, se compila el modelo que utiliza el marco subyacente para optimizar el cálculo que se va a realizar. En este se puede especificar la función de pérdida y el optimizador a utilizar.

Una vez compilado, el modelo debe ajustarse a los datos. Esto se puede hacer con un lote de datos o por el anillo o el régimen de entrenamiento del modelo entero. Aquí es donde ocurre todo el cálculo. Una vez entrenado, puede usar su modelo para hacer predicciones sobre nuevos datos. Podemos resumir la construcción de modelos de Deep learning en Keras de la siguiente manera:

1. Define tu modelo. Cree un modelo secuencial y añada capas.
2. Compila tu modelo. Especifique la función de pérdida y los optimizadores y llame a compile() en el modelo.
3. Ajuste a su modelo. Entrene el modelo sobre una muestra de datos llamando a la función fit() en el modelo.
4. Haga predicciones. Utilice el modelo para generar predicciones sobre nuevos datos llamando a evaluate() o predict().

➡ Conviértete en experto del Deep Learning con nuestro curso:

Curso de Deep Learning