Modellerin Oluşturulması

Bir “katman”, basitçe girdi-çıktı arasında verinin manipüle edilmesi olarak düşünülebilir. Veri Yükleme ve Önişlem Uygulama bölümünde bahsedilen ölçekleme ve kırpma katmanları gibi). “Model” ise katmanlardan oluşan bir yönlü tekrarsız çizgedir (directed acyclic graph). Model aynı zamanda veriye maruz bırakılmak suretiyle öğrenebilen birden fazla alt katmandan oluşan bir büyük katman olarak da düşünülebilir.

Keras modellerini oluşturmanın en işlevsel yolu fonksiyonel arayüzü kullanmaktır (Functional API). Fonksiyonel arayüz ile model inşa etmek için öncelikle girdi verisinin boyutları ve opsiyonel olarak tipi belirtilmelidir. Eğer girdi verisinin boyutları değişkenlik gösteriyorsa, boyut None olarak seçilmelidir. Örneğin, 200x200 boyutunda bir RGB resminin boyutları (200, 200, 3) olarak seçilmelidir. Eğer farklı boyutlarda resimler kullanılacaksa, boyut (None, None, 3) olarak seçilmelidir.

# Girdi verisinin herhangi bir boyutta gelebilecek RGB resimlerinden
# oluşması durumunda girdilerin tanımlanması
inputs = keras.Input(shape=(None, None, 3))

Girdi(ler) tanımlandıktan sonra girdilerin üstüne dönüşüm katmanları (transformation layers) eklenebilir.

from tensorflow.keras import layers

# Resimlerin merkezi değiştirilmeden 150x150 boyutuna kırpılması
x = CenterCrop(height=150, width=150)(inputs)
# Değerlerin [0, 1] aralığında ölçeklenmesi
x = Rescaling(scale=1.0 / 255)(x)

# Convolution ve pooling katmanlarının uygulanması
x = layers.Conv2D(filters=32, kernel_size=(3, 3), activation="relu")(x)
x = layers.MaxPooling2D(pool_size=(3, 3))(x)
x = layers.Conv2D(filters=32, kernel_size=(3, 3), activation="relu")(x)
x = layers.MaxPooling2D(pool_size=(3, 3))(x)
x = layers.Conv2D(filters=32, kernel_size=(3, 3), activation="relu")(x)

# Global average pooling ile final çıktı değerlerinin elde edilmesi
x = layers.GlobalAveragePooling2D()(x)

# Modelden elde edilen çıktının kategori tahmini verecek olan classifier'a verilmesi
num_classes = 10
outputs = layers.Dense(num_classes, activation="softmax")(x)

Katmanları ardı ardına uygulamak suretiyle modeli oluşturacak yönlü tekrarsız çizge tamamlandığında Model objesi yaratılabilir.

model = keras.Model(inputs=inputs, outputs=outputs)

Bu Model objesi basitçe alt katmanları olan büyük bir katman gibi davranacaktır. Bu Model aşağıda görülebileceği gibi veri paketleri için çağırılabilir.

# Ragele veri yaratma
data = np.random.randint(0, 256, size=(64, 200, 200, 3)).astype("float32")
# Verinin 'Model' üzerine gönderilmesi
processed_data = model(data)
# Model çıktısının boyutları
print(processed_data.shape)

(64, 10)

Model objesinin içinde verinin her bir katmanda nasıl bir değişime uğradığı konsola bastırılabilir. Bu özellik hata ayıklamak için oldukça kullanışlıdır. Her bir katman için çıktının boyutlarına paket boyutu (batch size) bilgisinin de dahil edildiği gözden kaçırılmamalıdır. Paket boyutu, bir katmanın çıktı verisinde kaç veri noktası olduğunu belirtir. None modelin katmanlarının bir seferde girdi-çıktı olarak herhangi sayıda veri noktası kullanabileceği anlamına gelir.

model.summary()

Model: "model"
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
input_1 (InputLayer)         [(None, None, None, 3)]   0
_________________________________________________________________
center_crop_1 (CenterCrop)   (None, 150, 150, 3)       0
_________________________________________________________________
rescaling_1 (Rescaling)      (None, 150, 150, 3)       0
_________________________________________________________________
conv2d (Conv2D)              (None, 148, 148, 32)      896
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 49, 49, 32)        0
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 47, 47, 32)        9248
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 15, 15, 32)        0
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 13, 13, 32)        9248
_________________________________________________________________
global_average_pooling2d (Gl (None, 32)                0
_________________________________________________________________
dense (Dense)                (None, 10)                330
=================================================================
Total params: 19,722
Trainable params: 19,722
Non-trainable params: 0
_________________________________________________________________

Fonksiyonel arayüz kullanılarak birden fazla girdi veya çıktı istenen modeller kolaylıkla oluşturulabilir. Örneğin girdi olarak bir resim ve bu resim hakkında veri modele verilebilir veya çıktı olarak bir resmin kategorik tahmini ve bir kullanıcının bu resme tıklama ihtimali alınabilir.