Cara Memasang Keras Dengan TensorFlow Backend di Linux

Pendahuluan

Keras adalah perpustakaan jaringan saraf berdasarkan bahasa pemrograman Python yang dirancang untuk menyederhanakan aplikasi pembelajaran mesin. Keras berjalan di atas kerangka kerja seperti TensorFlow.

Dalam panduan ini, pelajari cara menginstal Keras dan Tensorflow di sistem Linux.

Prasyarat

• Mesin Linux dengan akses ke baris perintah/terminal
• Akun pengguna dengan sudo atau akar hak istimewa
• The Python 3.5 – 3.8 lingkungan pengembangan
• Python3-pip pengelola paket

Cara Memasang Keras di Linux

Keras dibuat untuk bekerja dengan banyak kerangka kerja pembelajaran mesin yang berbeda, seperti TensorFlow, Theano, R, PlaidML, dan Microsoft Cognitive Toolkit. Namun, kerangka kerja terbaik untuk digunakan dengan Keras adalah TensorFlow.

Artikel ini juga akan membahas pemasangan TensorFlow.

LANGKAH 1:Instal dan Perbarui Python3 dan Pip

Lewati langkah ini jika Anda sudah memiliki Python3 dan Pip di komputer Anda.

Jika tidak, buka terminal dan masukkan perintah berikut, tergantung pada distribusi Linux Anda:

CentOS / RedHat:

sudo yum install python3 python3-pip

Ketik y ketika diminta. Biarkan instalasi menyelesaikan prosesnya.

Kemudian, jalankan perintah ini untuk mengupgrade Pip:

sudo pip3 install ––upgrade pip

Ubuntu / Debian:

Proses untuk distribusi ini serupa:

sudo apt install python3 python3.pip

sudo pip3 install ––upgrade pip

LANGKAH 2:Tingkatkan Alat Penyiapan

Untuk meningkatkan setuptools , masukkan berikut ini:

pip3 install ––upgrade setuptools

Tanpa langkah ini, Anda mungkin menerima kesalahan tentang paket tertentu yang memerlukan setuptools . yang berbeda versi yang Anda miliki di sistem Anda.

LANGKAH 3:Instal TensorFlow

Instalasi TensorFlow sangat mudah. Gunakan Pip dan perintah ini untuk menginstalnya::

pip3 install tensorflow

Biarkan unduhan dan penginstalan selesai.

Pastikan penginstalan berhasil dengan memeriksa informasi paket perangkat lunak:

pip3 show tensorflow

Sistem akan menampilkan versi TensorFlow dan data lainnya.

Untuk input yang lebih pendek, gunakan perintah ini:

pip list | grep tensorflow

LANGKAH 4:Instal Keras

Terakhir, instal Keras dengan perintah berikut:

pip3 install keras

Terminal menampilkan pesan konfirmasi setelah proses selesai.

Verifikasi instalasi dengan menampilkan informasi paket:

pip3 show keras

LANGKAH 5:Instal Keras dari Git Clone (Opsional)

Jika Anda memiliki Git di sistem Anda, Anda dapat menggunakannya untuk mengkloning salinan paket perangkat lunak Keras dari GitHub.

Untuk mengkloning paket Keras dari GitHub, masukkan berikut ini:

git clone https://github.com/keras-team/keras.git

Setelah unduhan selesai, alihkan ke /keras direktori:

cd keras

Dari sana, jalankan Keras penginstal python:

sudo python3 setup.py install

Output menunjukkan konfirmasi saat proses selesai:

Keras vs. TensorFlow

Keras dan TensorFlow keduanya merupakan perangkat lunak sumber terbuka. TensorFlow adalah pustaka perangkat lunak untuk pembelajaran mesin. Keras berjalan di atas TensorFlow dan memperluas kemampuan perangkat lunak pembelajaran mesin dasar. Keras juga membuat implementasi, pengujian, dan penggunaan lebih ramah pengguna.

Keras bekerja dengan TensorFlow untuk menyediakan antarmuka dalam bahasa pemrograman Python. Ia bekerja dengan menggunakan lapisan dan model .

Lapisan

Sebuah lapisan merupakan unit pengolah. Ia menerima input, melakukan perhitungan pada input itu, lalu mengeluarkan informasi yang diubah.

Sebuah lapisan membutuhkan yang berikut:

• Bentuk masukan: Mendefinisikan bagaimana lapisan akan memahami informasi masukan
• Inisialisasi :Menyetel berat , atau kepentingan, dari setiap informasi.
• Aktivator: Mengubah data menjadi bentuk non-linier.

Model

Sebuah model adalah grup lapisan . Sebuah model juga mencakup modul pelatihan dan inferensi – di sinilah pembelajaran mesin berperan. Setiap model memiliki yang berikut:

• Masukan: Skrip yang mengirimkan informasi ke dalam model Keras.
• Keluaran: Informasi yang keluar setelah ditransformasikan oleh model Keras.
• Jenis: Sebuah model mungkin berurutan , artinya dibangun satu lapis pada satu waktu untuk menyelesaikan suatu masalah. Atau, bisa fungsional , di mana lapisan dapat saling terhubung dengan cara yang kompleks dan non-linear.