120 практических задач. Джейд Картер

Чтение книги онлайн.

СКАЧАТЬ потерь binary_crossentropy. Затем модель обучается на обучающей выборке.

      5. Оценка и тестирование модели: Оценивается точность модели на тестовой выборке и визуализируется процесс обучения с помощью графика.

      Этот пример демонстрирует, как создать и обучить модель LSTM для анализа настроений в текстах. Модель включает слои embedding для преобразования текстовых данных в числовые векторы, два слоя LSTM для извлечения временных зависимостей и полносвязный слой для классификации. Эта архитектура позволяет эффективно анализировать тексты и предсказывать настроения на основе данных.

      7. Создание простой GAN для генерации изображений

      – Задача: Генерация рукописных цифр (набор MNIST).

      Для создания простой генеративно-состязательной сети (GAN) для генерации рукописных цифр из набора данных MNIST можно использовать TensorFlow и Keras. В этом примере мы рассмотрим, как создать и обучить GAN для генерации изображений цифр.

      Шаги:

      1. Импорт библиотек и модулей.

      2. Подготовка данных.

      3. Построение генератора.

      4. Построение дискриминатора.

      5. Построение GAN.

      6. Обучение GAN.

      7. Генерация изображений.

      Пример кода:

      ```python

      import tensorflow as tf

      from tensorflow.keras import layers, models

      import numpy as np

      import matplotlib.pyplot as plt

      # Шаг 1: Импорт библиотек

      import tensorflow as tf

      from tensorflow.keras import layers, models

      import numpy as np

      import matplotlib.pyplot as plt

      # Шаг 2: Подготовка данных

      # Загрузка набора данных MNIST

      (train_images, _), (_, _) = tf.keras.datasets.mnist.load_data()

      train_images = train_images.reshape(train_images.shape[0], 28, 28, 1).astype('float32')

      train_images = (train_images – 127.5) / 127.5 # Нормализация изображений в диапазоне [-1, 1]

      BUFFER_SIZE = 60000

      BATCH_SIZE = 256

      # Создание выборок

      train_dataset = tf.data.Dataset.from_tensor_slices(train_images).shuffle(BUFFER_SIZE).batch(BATCH_SIZE)

      # Шаг 3: Построение генератора

      def build_generator():

      model = models.Sequential()

      model.add(layers.Dense(7 * 7 * 256, use_bias=False, input_shape=(100,)))

      model.add(layers.BatchNormalization())

      model.add(layers.LeakyReLU())

      model.add(layers.Reshape((7, 7, 256)))

      assert model.output_shape == (None, 7, 7, 256) # Убедитесь, что выходная форма такая

      model.add(layers.Conv2DTranspose(128, (5, 5), strides=(1, 1), padding='same', use_bias=False))

      model.add(layers.BatchNormalization())

      model.add(layers.LeakyReLU())

      model.add(layers.Conv2DTranspose(64, (5, 5), strides=(2, 2), padding='same', use_bias=False))

      model.add(layers.BatchNormalization())

      model.add(layers.LeakyReLU())

      model.add(layers.Conv2DTranspose(1, (5, 5), strides=(2, 2), padding='same', use_bias=False, activation='tanh'))

      assert model.output_shape == (None, 28, 28, 1)

      return model

      # Шаг 4: Построение дискриминатора

      def build_discriminator():

      model = models.Sequential()

      model.add(layers.Conv2D(64, (5, 5), strides=(2, 2), padding='same', input_shape=[28, 28, 1]))

      model.add(layers.LeakyReLU())

      model.add(layers.Dropout(0.3))

      model.add(layers.Conv2D(128, (5, 5), strides=(2, 2), padding='same'))

      model.add(layers.LeakyReLU())

      model.add(layers.Dropout(0.3))

      model.add(layers.Flatten())

      model.add(layers.Dense(1, activation='sigmoid'))

      return model

      # Построение генератора и дискриминатора

      generator = build_generator()

СКАЧАТЬ