Como criar redes complexas com a API funcional?

1.0K views
•
April 20, 2023
by
Sandeco
YouTube video player
Como criar redes complexas com a API funcional?

TL;DR

A API funcional do Keras permite construir redes com ramificações e concatenações, conectando camadas por meio de tensores. Para montar um modelo, defina a entrada com Input, aplique as camadas às entradas desejadas e finalize com Model, indicando inputs e outputs. Essa abordagem reproduz redes sequenciais e permite combinar saídas de camadas paralelas com a própria entrada original.

Transcript

Olá pessoal tudo bem agora eu vou falar sobre a api funcional do keras né ap funcional do quedas que é uma abordagem para a construção de modelos de depilani que oferece uma maior flexibilidade e modularidade né em comparação ao método sequencial é o que você tá vendo aqui nessa imagem tá você vê por exemplo aqui nessa imagem né eu tenho aqui api s... Read More

Key Insights

  • A API funcional oferece maior flexibilidade e modularidade que o método sequencial do Keras.
  • O método especial call permite chamar uma instância de classe como uma função em Python.
  • A entrada do exemplo funcional usa Input com um shape de 784 posições, associado ao MNIST.
  • Cada camada densa recebe explicitamente o tensor que será usado como sua informação de entrada.
  • Model é criado ao final da construção, com os tensores correspondentes a inputs e outputs.
  • Duas camadas paralelas podem receber a mesma entrada e ter suas saídas reunidas por concatenação.
  • Uma segunda concatenação combina a saída dos ramos paralelos com os dados da entrada original.
  • O resumo e o gráfico mostram que versões sequencial e funcional podem representar a mesma rede.

Explore YouTube Video Summarizer or Get YouTube Transcript Extractor

Questions & Answers

Q: O que é a API funcional do Keras e para que ela serve?

A API funcional do Keras é uma abordagem para construir modelos de deep learning com maior flexibilidade e modularidade em comparação com o método sequencial. Ela permite conectar camadas por meio de tensores e definir explicitamente quais informações cada camada recebe. A descrição apresenta possibilidades como múltiplas entradas, múltiplas saídas e topologias compartilhadas. Na demonstração, seu uso aparece na construção de camadas paralelas, na concatenação de suas saídas e na inclusão da entrada original em uma combinação posterior. Essa organização facilita a experimentação e a criação de arquiteturas personalizadas.

Q: Como construir um modelo com a API funcional do Keras?

A construção começa pela definição de um tensor de entrada com Input. No exemplo apresentado, essa entrada tem um shape de 784 posições, associado ao MNIST. Depois, uma camada densa é aplicada ao tensor de entrada, e seu resultado é armazenado em uma variável. A camada seguinte recebe o resultado anterior, formando a sequência de processamento. A camada de saída também precisa receber explicitamente seu tensor de entrada. Ao final, Model reúne a arquitetura, usando inputs para indicar a entrada e outputs para indicar a saída. O resumo permite conferir a rede construída.

Q: Qual é a diferença entre o modelo sequencial e a API funcional do Keras?

O modelo sequencial apresentado organiza as camadas em uma cadeia, na qual o processamento segue da entrada pelas camadas intermediárias até a saída. Na API funcional, as conexões são escritas explicitamente: cada camada recebe o tensor escolhido para sua entrada, e Model é criado ao final. Essa forma de construção também consegue representar a mesma cadeia do modelo sequencial, como mostram os resumos e gráficos comparados na demonstração. Sua flexibilidade fica evidente quando uma entrada alimenta camadas paralelas, cujas saídas são concatenadas antes de seguir para a camada de saída.

Q: Por que as camadas do Keras podem ser chamadas como funções?

A explicação apresentada relaciona essa sintaxe ao método especial call do Python. Quando uma classe define esse método, uma instância pode ser chamada como se fosse uma função. Na API funcional demonstrada, isso permite criar uma camada densa e aplicá-la diretamente ao tensor que fornecerá seus dados de entrada. A primeira camada recebe o tensor definido por Input, enquanto a seguinte recebe o resultado da camada anterior. Essa maneira de escrever torna explícita a ligação entre os componentes da rede e permite escolher diferentes tensores para alimentar diferentes camadas.

Q: Como criar duas camadas paralelas com a mesma entrada no Keras?

Para criar os ramos paralelos demonstrados, primeiro é definido um tensor de entrada. Em seguida, são criadas duas camadas densas, identificadas como L1 e L2, e ambas recebem esse mesmo tensor. Assim, elas processam a entrada separadamente, sem que a saída de uma seja usada como entrada da outra. Depois, uma camada de concatenação recebe as saídas de L1 e L2 e reúne suas informações. O resultado combinado alimenta a camada densa de saída. Por fim, Model recebe a entrada original e a saída final para estabelecer o modelo completo.

Q: Como usar concatenação para combinar informações na API funcional?

A concatenação é usada na demonstração para reunir os resultados de duas camadas densas que recebem a mesma entrada e trabalham em paralelo. Depois de construir esses ramos, a camada de concatenação é chamada com os tensores produzidos por L1 e L2. Seu resultado passa a ser a entrada da camada densa de saída. A demonstração também acrescenta outra concatenação, combinando o resultado já reunido com a entrada original. Nesse caso, é necessário atualizar a camada de saída para receber a segunda combinação, garantindo que essa nova ligação participe do modelo construído.

Q: Como incluir a entrada original em uma conexão posterior da rede?

A entrada original pode participar de uma concatenação posterior, como ocorre na modificação final da arquitetura demonstrada. Primeiro, a entrada alimenta duas camadas densas paralelas, e os resultados dessas camadas são concatenados. Depois, uma segunda concatenação recebe tanto esse resultado combinado quanto o tensor da entrada original. A camada densa de saída precisa ser aplicada ao resultado dessa segunda concatenação. O apresentador inicialmente deixa a saída ligada à concatenação anterior e depois corrige a conexão. Com a alteração, o resumo mostra aumento na quantidade de parâmetros, e o gráfico exibe o caminho adicional.

Q: Como conferir se as conexões de um modelo funcional estão corretas?

A demonstração utiliza o resumo do modelo e sua representação gráfica para conferir a arquitetura. Na comparação inicial, essas visualizações mostram que o modelo sequencial e sua versão funcional representam a mesma rede. Nos exemplos com ramificações, o gráfico permite observar a entrada alimentando duas camadas separadas, a reunião de suas saídas e a ligação com a camada final. Quando uma segunda concatenação é acrescentada, a visualização ajuda a perceber que a saída ainda precisava ser atualizada. Conferir o tensor recebido pela camada final é essencial para incluir as conexões pretendidas no modelo.

Summary & Key Takeaways

  • A API funcional conecta camadas explicitamente por tensores. O exemplo define uma entrada com 784 posições, aplica camadas densas e cria o modelo com Model, informando os tensores de entrada e saída.

  • Duas camadas densas recebem a mesma entrada e processam seus dados separadamente. Suas saídas são reunidas por uma concatenação, que alimenta a camada densa responsável pela saída do modelo.

  • Uma segunda concatenação reúne o resultado dos ramos com a entrada original. A saída passa a receber essa combinação, e o resumo e o gráfico permitem conferir as conexões da arquitetura construída.


Read in Other Languages (beta)

Share This Summary 📚

Explore More Summaries from Sandeco 📚