Modelo de Keras

¿Qué es un modelo de Keras?

Keras es una biblioteca de alto nivel para el aprendizaje profundo, construida sobre Theano y Tensorflow. Está escrito en Python y ofrece una forma clara y cómoda de crear una amplia gama de modelos de aprendizaje profundo.Keras se ha convertido en una de las API de redes neuronales de alto nivel más utilizadas a la hora de desarrollar y probar redes neuronales. Crear capas para redes neuronales y configurar arquitecturas complejas ahora es muy sencillo gracias a la API de alto nivel de Keras. Un modelo de Keras se compone de una secuencia o un gráfico independiente. Hay varios módulos totalmente configurables que se pueden combinar para crear nuevos modelos. Algunos de estos módulos configurables que puedes conectar son capas neuronales, funciones de costo, optimizadores, esquemas de inicialización, dropout, pérdida, funciones de activación y esquemas de regularización. Una de las principales ventajas de la modularidad es que permite agregar fácilmente nuevas funciones como módulos independientes. Como resultado, Keras es muy flexible y muy adecuado para la investigación innovadora. Hay dos formas de desarrollar un modelo de Keras: secuencial y funcional.

Modo de API secuencial

El modelo de API secuencial es el modelo más simple y comprende una pila lineal de capas que te permite configurar los modelos capa por capa para la mayoría de los problemas. El modelo secuencial es muy fácil de usar, pero tiene limitaciones en cuanto a su topología. La limitación se debe al hecho de que no es posible configurar modelos con capas compartidas o con múltiples entradas o salidas.

API funcional

Por otro lado, la API Funcional es ideal para crear modelos complejos que requieren una flexibilidad extendida. Permite definir modelos en los que las capas se conectan a más que solo las capas anteriores y siguientes. Los modelos se definen creando instancias de capas y conectándolas directamente entre sí por pares. De hecho, con este modelo se pueden conectar capas a cualquier otra capa. Con este modelo, es posible crear redes complejas, como redes siamesas, redes residuales, modelos de múltiples entradas/múltiples salidas, grafos acíclicos dirigidos (DAG) y modelos con capas compartidas.