Ícono de mensaje
Saltar al pie de página
  1. IronPDF for Python
  2. Blog de IronPDF for Python
  3. Ayuda de Python
  4. Keras Python
AYUDA DE PYTHON

Keras Python (Cómo Funciona Para Desarrolladores)

Curtis Chau
Curtis Chau
Actualizado:

Keras es una biblioteca de Python potente y fácil de usar para desarrollar y evaluar modelos de aprendizaje profundo. Desarrollados inicialmente por François Chollet, los modelos de Keras han ganado popularidad por su simplicidad e interfaz amigable para el usuario, lo que lo convierte en una excelente opción tanto para principiantes como para expertos en el campo del aprendizaje automático.

Además, exploraremos la biblioteca de generación de PDF IronPDF y cómo podemos combinar estas dos bibliotecas para generar resultados y exportarlos a PDF.

Características principales de Keras

1. Fácil de usar y modular

Con la frase 'Aprendizaje profundo para humanos', Keras está diseñado para ser fácil de usar, modular y extensible. Los modelos de Keras proporcionan comentarios claros y accionables sobre errores, lo que ayuda a los desarrolladores a depurar y optimizar sus modelos de manera eficiente.

2. Soporte para múltiples backends

Keras puede funcionar sobre varios marcos de aprendizaje profundo, como TensorFlow, Theano y Microsoft Cognitive Toolkit (CNTK). Esta flexibilidad permite a los desarrolladores elegir el backend que mejor se adapte a sus necesidades.

3. Apoyo extensivo para redes neuronales

Keras admite una amplia gama de capas de redes neuronales, incluidas capas convolucionales, capas recurrentes y capas completamente conectadas. También proporciona soporte para arquitecturas complejas como modelos con múltiples entradas y salidas, compartición de capas y compartición de modelos.

4. Utilidades de preprocesamiento

Keras incluye utilidades para el preprocesamiento de datos, como el procesamiento de imágenes y texto, que simplifican la preparación de conjuntos de datos para el entrenamiento de los modelos.

5. Herramientas de visualización y depuración de modelos

Keras ofrece herramientas para visualizar la estructura de las redes neuronales y monitorear el proceso de entrenamiento. Esto es crucial para comprender el comportamiento de los modelos y hacer los ajustes necesarios. El tipo de modelo más sencillo es el modelo Keras Secuencial, que es simplemente una pila lineal de capas.

Instalación

La instalación de Keras es sencilla. Puedes instalarlo usando pip:

pip install keras
pip install tensorflow
pip install keras
pip install tensorflow
SHELL

Construir una red neuronal sencilla con Keras

A continuación se muestra un ejemplo de cómo construir una red neuronal de avance directo simple usando Keras:

import keras
import numpy as np
import matplotlib.pyplot as plt

# Function to read UCR formatted data
def readucr(filename):
    """
    Reads a UCR format file and returns the features and labels.

    Args:
    filename (str): Path to the data file

    Returns:
    x, y: Features and labels as numpy arrays
    """
    data = np.loadtxt(filename, delimiter="\t")
    y = data[:, 0]
    x = data[:, 1:]
    return x, y.astype(int)

# Define the root URL for the dataset
root_url = "https://raw.githubusercontent.com/hfawaz/cd-diagram/master/FordA/"
x_train, y_train = readucr(root_url + "FordA_TRAIN.tsv")
x_test, y_test = readucr(root_url + "FordA_TEST.tsv")

# Get unique classes from the dataset
classes = np.unique(np.concatenate((y_train, y_test), axis=0))

# Plot an example from each class
plt.figure()
for c in classes:
    c_x_train = x_train[y_train == c]
    plt.plot(c_x_train[0], label="class " + str(c))
plt.legend(loc="best")
plt.show()
plt.close()
import keras
import numpy as np
import matplotlib.pyplot as plt

# Function to read UCR formatted data
def readucr(filename):
    """
    Reads a UCR format file and returns the features and labels.

    Args:
    filename (str): Path to the data file

    Returns:
    x, y: Features and labels as numpy arrays
    """
    data = np.loadtxt(filename, delimiter="\t")
    y = data[:, 0]
    x = data[:, 1:]
    return x, y.astype(int)

# Define the root URL for the dataset
root_url = "https://raw.githubusercontent.com/hfawaz/cd-diagram/master/FordA/"
x_train, y_train = readucr(root_url + "FordA_TRAIN.tsv")
x_test, y_test = readucr(root_url + "FordA_TEST.tsv")

# Get unique classes from the dataset
classes = np.unique(np.concatenate((y_train, y_test), axis=0))

# Plot an example from each class
plt.figure()
for c in classes:
    c_x_train = x_train[y_train == c]
    plt.plot(c_x_train[0], label="class " + str(c))
plt.legend(loc="best")
plt.show()
plt.close()
PYTHON

Resultado

Keras Python (Cómo Funciona para Desarrolladores): Figura 1 - Modelo de red neuronal generado

Aplicaciones en el mundo real

1. Clasificación de imágenes

Keras se utiliza ampliamente en tareas de clasificación de imágenes. Por ejemplo, las redes neuronales convolucionales (CNN) construidas con Keras pueden lograr alta precisión en el reconocimiento de objetos en imágenes.

2. Procesamiento del Lenguaje Natural

Keras proporciona herramientas para construir modelos que pueden procesar y comprender el lenguaje humano. Las redes neuronales recurrentes (RNN) y las redes de memoria de largo corto plazo (LSTM) en Keras se utilizan comúnmente para tareas como el análisis de sentimientos y la traducción automática.

3. Modelos Generativos

Keras se puede usar para desarrollar modelos generativos como las Redes Generativas Adversariales (GANs), que se utilizan para generar nuevas muestras de datos que se asemejan a los datos de entrenamiento.

Presentando IronPDF

Keras Python (Cómo Funciona para Desarrolladores): Figura 2 - Página web de IronPDF para Python

IronPDF es una poderosa biblioteca de Python desarrollada y mantenida por Iron Software. Permite a los desarrolladores crear, editar y extraer contenido de PDF en proyectos de Python. Aquí hay algunas características clave de IronPDF:

  1. Generación de PDF:

    • Puedes generar PDFs a partir de diversas fuentes, incluyendo HTML, URLs, JavaScript, CSS y formatos de imagen.

    • Se pueden agregar encabezados, pies de página, firmas, adjuntos y características de seguridad a los PDFs generados.

  2. Optimización del Rendimiento:

    • IronPDF admite operaciones completamente multihilo y asíncronas.

  3. Compatibilidad Multiplataforma:

    • Funciona con Python 3.7+ en Windows, macOS, Linux, Docker, Azure y AWS.

Para comenzar, instala IronPDF usando pip:

pip install ironpdf
pip install ironpdf
SHELL

Una vez instalado, puedes crear PDFs usando contenido HTML o URLs. Aquí hay ejemplos:

  1. HTML a PDF:
from ironpdf import ChromePdfRenderer

# Create a PDF renderer
renderer = ChromePdfRenderer()

# Render HTML content as a PDF
pdf = renderer.RenderHtmlAsPdf("<h1>Hello World</h1>")
pdf.SaveAs("ironAwesome.pdf")
from ironpdf import ChromePdfRenderer

# Create a PDF renderer
renderer = ChromePdfRenderer()

# Render HTML content as a PDF
pdf = renderer.RenderHtmlAsPdf("<h1>Hello World</h1>")
pdf.SaveAs("ironAwesome.pdf")
PYTHON
  1. URL a PDF:
from ironpdf import ChromePdfRenderer

# Create a PDF renderer
renderer = ChromePdfRenderer()

# Render a URL as a PDF
pdf = renderer.RenderUrlAsPdf("https://ironpdf.com/python/")
pdf.SaveAs("ironAwesome.pdf")
from ironpdf import ChromePdfRenderer

# Create a PDF renderer
renderer = ChromePdfRenderer()

# Render a URL as a PDF
pdf = renderer.RenderUrlAsPdf("https://ironpdf.com/python/")
pdf.SaveAs("ironAwesome.pdf")
PYTHON

IronPDF y Keras Python: Generación de PDF del modelo

Instalación

pip install ironpdf
pip install keras
pip install tensorflow
pip install ironpdf
pip install keras
pip install tensorflow
SHELL

Ahora genera la trama del modelo y expórtala a un PDF usando el siguiente código:

import keras
import numpy as np
import matplotlib.pyplot as plt
from ironpdf import License, ImageToPdfConverter

# Apply your license key
License.LicenseKey = "your key goes here"

def readucr(filename):
    """Read and parse UCR formatted data."""
    data = np.loadtxt(filename, delimiter="\t")
    y = data[:, 0]
    x = data[:, 1:]
    return x, y.astype(int)

# Define the root URL for the dataset
root_url = "https://raw.githubusercontent.com/hfawaz/cd-diagram/master/FordA/"
x_train, y_train = readucr(root_url + "FordA_TRAIN.tsv")
x_test, y_test = readucr(root_url + "FordA_TEST.tsv")

# Extract unique classes from the dataset
classes = np.unique(np.concatenate((y_train, y_test), axis=0))

# Plot example data for each class
plt.figure()
for c in classes:
    c_x_train = x_train[y_train == c]
    plt.plot(c_x_train[0], label="class " + str(c))
plt.legend(loc="best")
plt.savefig('data.png') 
plt.show()
plt.close()

# Convert the saved image to a PDF
ImageToPdfConverter.ImageToPdf("data.png").SaveAs("plot.pdf")
import keras
import numpy as np
import matplotlib.pyplot as plt
from ironpdf import License, ImageToPdfConverter

# Apply your license key
License.LicenseKey = "your key goes here"

def readucr(filename):
    """Read and parse UCR formatted data."""
    data = np.loadtxt(filename, delimiter="\t")
    y = data[:, 0]
    x = data[:, 1:]
    return x, y.astype(int)

# Define the root URL for the dataset
root_url = "https://raw.githubusercontent.com/hfawaz/cd-diagram/master/FordA/"
x_train, y_train = readucr(root_url + "FordA_TRAIN.tsv")
x_test, y_test = readucr(root_url + "FordA_TEST.tsv")

# Extract unique classes from the dataset
classes = np.unique(np.concatenate((y_train, y_test), axis=0))

# Plot example data for each class
plt.figure()
for c in classes:
    c_x_train = x_train[y_train == c]
    plt.plot(c_x_train[0], label="class " + str(c))
plt.legend(loc="best")
plt.savefig('data.png') 
plt.show()
plt.close()

# Convert the saved image to a PDF
ImageToPdfConverter.ImageToPdf("data.png").SaveAs("plot.pdf")
PYTHON

Explicación del código

  1. Importación de Bibliotecas:

    • El código comienza importando las bibliotecas necesarias:
      • Keras: Una biblioteca popular de aprendizaje profundo.
      • numpy (como np): Usada para operaciones numéricas.
      • matplotlib.pyplot (como plt): Usada para crear gráficos.
      • ironpdf: La biblioteca IronPDF para trabajar con PDFs.

  2. Configuración de la Clave de Licencia:

    • La línea License.LicenseKey = "tu clave" establece la clave de licencia para IronPDF.

  3. Leyendo Datos:

    • La función readucr lee datos de archivos con un formato específico (valores separados por tabuladores).
    • Extrae etiquetas (y) y características (x) de los datos.

  4. Cargando Datos de Entrenamiento y Prueba:

    • El código construye URLs para los archivos de datos de entrenamiento y prueba relacionados con el conjunto de datos "FordA".
    • Carga los datos usando la función readucr.

  5. Graficando Datos:

    • El código identifica las clases únicas en el conjunto de datos.
    • Para cada clase, selecciona la primera instancia (c_x_train[0]) y la grafica.
    • La leyenda indica la etiqueta de la clase.

  6. Guardando el Gráfico:

    • El gráfico se guarda como un archivo de imagen llamado "data.png".

  7. Convirtiendo Imagen a PDF:

    • El ImageToPdfConverter de IronPDF convierte la imagen guardada ("data.png") en un archivo PDF ("plot.pdf").

PDF resultante

Keras Python (Cómo Funciona para Desarrolladores): Figura 3 - PDF generado por el código anterior

Licencia de IronPDF

Keras Python (Cómo Funciona para Desarrolladores): Figura 4 - Página de licencia de IronPDF para Python

IronPDF requiere una licencia para funcionar, como se muestra en el código anterior. Establece la clave de licencia al inicio del script de la siguiente manera:

# Apply your license key
License.LicenseKey = "your key goes here"
# Apply your license key
License.LicenseKey = "your key goes here"
PYTHON

Si estás interesado en una licencia de prueba para la biblioteca IronPDF, se puede obtener una clave de licencia de prueba desde aquí.

Conclusión

La biblioteca de inteligencia artificial de Python Keras se destaca en la comunidad de aprendizaje profundo por su simplicidad y flexibilidad. Abstrae gran parte de la complejidad involucrada en la construcción de redes neuronales, permitiendo a los desarrolladores centrarse en diseñar y experimentar con modelos. Ya sea que seas un principiante que recién comienza con el aprendizaje profundo o un profesional experimentado, Keras proporciona las herramientas necesarias para dar vida a tus ideas a través de su emulación del cerebro humano.

Por otro lado, IronPDF es una biblioteca versátil de generación y manipulación de PDF que facilita la exportación de resultados a PDFs. Tener estas dos habilidades ayudará a los usuarios a escribir modelos de ciencia de datos modernos y exportar el output a PDF para la documentación de resultados.

Curtis Chau
Curtis Chau
  Chatea con el equipo de ingeniería ahora
Escritor Técnico

Curtis Chau tiene una licenciatura en Ciencias de la Computación (Carleton University) y se especializa en el desarrollo front-end con experiencia en Node.js, TypeScript, JavaScript y React. Apasionado por crear interfaces de usuario intuitivas y estéticamente agradables, disfruta trabajando con frameworks modernos y creando manuales bien ...

Leer más

Artículos Relacionados

Prueba de 30 días → Producto completo. Sin límites. Sin tarjeta. Comenzar prueba gratuita