آموزش Keras برای مبتدیان — مدل اول

سلام رفیق! اگه تازه وارد دنیای هیجان‌انگیز یادگیری عمیق شدی و اسم Keras رو شنیدی و نمی‌دونی از کجا شروع کنی، دقیقاً اومدی جای درستی. Keras یه کتابخونه پایتونیه که کار کردن با شبکه‌های عصبی رو برای ما فوق‌العاده اسان می‌کنه. قول می‌دم بعد از خوندن این مقاله، می‌تونی اولین مدل یادگیری عمیقت رو بسازی و با دستای خودت یه شبکه عصبی رو به کار بندازی. آماده‌ایم تا با هم قدم به قدم پیش بریم و دنیای هوش مصنوعی رو فتح کنیم؟ اگه دنبال ابزارهای خفن و کاربردی برای پروژه‌هات می‌گردی، حتماً یه سر به فروشگاه ابزارهای ما بزن؛ کلی چیز باحال اونجا منتظرته!

مقدمه: چرا Keras اینقدر محبوبه؟

خب، بذار خیالت رو راحت کنم. اگه توی دنیای یادگیری عمیق تازه‌کاری، Keras بهترین دوستته. این کتابخونه، یک رابط برنامه‌نویسی سطح بالا (High-level API) برای ساخت و آموزش مدل‌های یادگیری عمیق ارائه می‌ده. در واقع، Keras روی فریم‌ورک‌های قدرتمندی مثل TensorFlow سوار شده و کار رو برای ما خیلی راحت می‌کنه. تصور کن به جای اینکه مجبور باشی آجر به آجر خونه بسازی، از بلوک‌های پیش‌ساخته استفاده کنی؛ Keras دقیقاً همون بلوک‌های پیش‌ساخته رو در اختیارمون می‌ذاره!

مزیت اصلی Keras چیه؟ سادگی و سرعت. با چند خط کد، می‌تونی مدل‌های پیچیده رو تعریف کنی، آموزش بدی و ارزیابی کنی. این سادگی بهت اجازه می‌ده بیشتر روی ایده‌های مدل‌سازیت تمرکز کنی تا جزئیات پیاده‌سازی. خیلی از متخصصین هم از Keras استفاده می‌کنن چون بهشون اجازه می‌ده سریعاً ایده‌هاشون رو پروتوتایپ کنن و تست کنن.

قدم اول: آماده‌سازی محیط

قبل از اینکه وارد کدنویسی بشیم، باید مطمئن بشیم همه چیز برای شروع آماده‌ست. Keras از TensorFlow به عنوان بک‌اند (backend) اصلی استفاده می‌کنه، پس باید اول TensorFlow رو نصب کنیم.

نصب TensorFlow و Keras

کار نصب واقعاً ساده‌ست. کافیه ترمینال یا Command Prompt رو باز کنی و دستورات زیر رو اجرا کنی. توصیه می‌کنم از یک محیط مجازی (virtual environment) استفاده کنی تا پکیج‌هات با هم تداخل پیدا نکنن. اگه نمی‌دونی چیه، نگران نباش، فعلاً همین دستورات رو اجرا کن:

pip install tensorflow
pip install keras

با این دستورات، هم TensorFlow و هم Keras نصب می‌شن. (Keras از ورژن 2.0 به بعد بخشی از TensorFlow شده، اما نصب جداگانه‌اش هم مشکلی ایجاد نمی‌کنه.)
اگه می‌خوای مطمئن بشی همه چیز درست نصب شده، می‌تونی این کد رو توی پایتون اجرا کنی:

import tensorflow as tf
from tensorflow import keras
print(tf.__version__)
print(keras.__version__)

اگه شماره ورژن‌ها رو دیدی، یعنی کارت درسته و آماده‌ایم بریم سراغ بخش هیجان‌انگیز داستان: ساخت اولین مدل! اگه برای ابزارهای پایتونی بیشتر، دنبال اسنیپت‌های مفید می‌گردی، حتما سری به اسنیپت‌های پایتون ما بزن.

ساخت اولین مدل عصبی با Keras

حالا که Keras رو نصب کردیم، وقتشه اولین مدل رو بسازیم. برای سادگی، یک مسئله طبقه‌بندی دوتایی (Binary Classification) رو انتخاب می‌کنیم. مثلاً فرض کن می‌خوایم تشخیص بدیم یک نقطه داده، به کلاس A تعلق داره یا کلاس B. ما خودمون داده‌ها رو به صورت مصنوعی تولید می‌کنیم تا تمرکز روی مدل‌سازی باشه.

انتخاب داده‌ها: یک مثال ساده

برای شروع، دو ویژگی (feature) و یک برچسب (label) دوتایی (0 یا 1) در نظر می‌گیریم. این داده‌ها رو می‌تونیم با کتابخانه scikit-learn تولید کنیم:

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.datasets import make_circles

# تولید داده‌های مصنوعی
X, y = make_circles(n_samples=1000, noise=0.1, random_state=42)

# تقسیم داده‌ها به بخش آموزش و تست
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

print(f"شکل داده‌های آموزش (X_train): {X_train.shape}") # (800, 2)
print(f"شکل برچسب‌های آموزش (y_train): {y_train.shape}") # (800,)

خب، حالا که داده‌هامون آماده‌ست (800 نمونه برای آموزش و 200 نمونه برای تست، هر کدوم با 2 ویژگی)، می‌تونیم بریم سراغ طراحی معماری مدل.

معماری مدل: لایه‌ها و فعال‌سازها

Keras بهت اجازه می‌ده مدل‌ها رو به دو شکل اصلی بسازی: Sequential API و Functional API. برای شروع، ما از Sequential API استفاده می‌کنیم که برای مدل‌های خطی (لایه‌ها پشت سر هم قرار می‌گیرن) ایده‌آله.

مدل ما از چند لایه Dense تشکیل می‌شه. لایه‌های Dense (یا fully connected) پایه‌ای‌ترین لایه‌ها در شبکه‌های عصبی هستن که هر نورون در یک لایه، به تمام نورون‌های لایه قبلی وصله. هر لایه هم یک تابع فعال‌ساز (Activation Function) داره که غیرخطی بودن رو به مدل اضافه می‌کنه و اجازه می‌ده مدل الگوهای پیچیده‌تر رو یاد بگیره.

بیایید اولین مدل رو بسازیم:

from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense

# ساخت مدل Sequential
model = Sequential([
    # لایه ورودی: 4 نورون، ورودی 2 ویژگی دارد (input_shape=(2,))
    Dense(4, activation='relu', input_shape=(2,)),
    # لایه پنهان: 4 نورون، تابع فعال‌ساز ReLU
    Dense(4, activation='relu'),
    # لایه خروجی: 1 نورون (برای طبقه‌بندی دوتایی)، تابع فعال‌ساز Sigmoid
    Dense(1, activation='sigmoid')
])

# مشاهده خلاصه مدل
model.summary()

اگه کد بالا رو اجرا کنی، یک خلاصه از مدل (model summary) رو می‌بینی که تعداد لایه‌ها، خروجی هر لایه و تعداد پارامترهای قابل اموزش (weights و biases) رو نشون می‌ده. این خودش یه گام بزرگ بود!

کامپایل و آموزش مدل (Compile & Fit)

بعد از تعریف معماری مدل، نوبت به مرحله کامپایل (Compile) و آموزش (Fit) می‌رسه. در مرحله کامپایل، سه تا چیز اصلی رو به مدل معرفی می‌کنیم:

• بهینه‌ساز (Optimizer): الگوریتمی که وزن‌های مدل رو برای کاهش خطا تنظیم می‌کنه. Adam یک بهینه‌ساز محبوب و کارآمده.
• تابع خطا (Loss Function): معیاری که به مدل می‌گه چقدر داره اشتباه می‌کنه. برای طبقه‌بندی دوتایی، binary_crossentropy گزینه‌ی مناسبیه.
• معیارها (Metrics): معیارهایی که برای ارزیابی عملکرد مدل در طول آموزش و تست استفاده می‌شن. accuracy (دقت) یک معیار رایجه.

کامپایل کردن مدل

model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy'])

می‌بینی چقدر ساده بود؟ فقط با یک خط کد، مدل رو برای آموزش آماده کردیم!

آموزش دادن مدل

حالا نوبت به آموزش واقعی مدل می‌رسه. این کار با متود fit() انجام می‌شه. دو تا پارامتر مهم اینجا داریم:

• epochs: تعداد دفعاتی که مدل کل داده‌های آموزشی رو می‌بینه و وزن‌ها رو تنظیم می‌کنه.
• batch_size: تعداد نمونه‌هایی که در هر مرحله از آموزش (قبل از تقیر وزن‌ها) به مدل داده می‌شه.

history = model.fit(X_train, y_train, epochs=100, batch_size=32, verbose=1)

وقتی این کد رو اجرا می‌کنی، می‌بینی که آموزش شروع می‌شه و برای هر epoch، مقادیر loss (خطا) و accuracy (دقت) رو بهت نشون می‌ده. هدف اینه که loss کم بشه و accuracy زیاد.

ارزیابی مدل: چقدر خوب کار کردیم؟

بعد از آموزش، باید ببینیم مدل ما روی داده‌هایی که تا حالا ندیده (یعنی داده‌های تست) چطور عمل می‌کنه. این مرحله برای اطمینان از اینه که مدل عمومی‌سازی (generalization) خوبی داره و فقط داده‌های آموزشی رو حفظ نکرده.

ارزیابی روی داده‌های تست

با متود evaluate() می‌تونی عملکرد مدل رو روی X_test و y_test بررسی کنی:

loss, accuracy = model.evaluate(X_test, y_test, verbose=0)
print(f"Loss روی داده‌های تست: {loss:.4f}")
print(f"Accuracy روی داده‌های تست: {accuracy:.4f}")

یک accuracy بالا (مثلاً بالای 0.8 یا 80%) نشون می‌ده که مدل خوبی ساختیم!

پیش‌بینی با مدل

حالا که مدل رو آموزش دادی و ارزیابی کردی، می‌تونی ازش برای پیش‌بینی روی داده‌های جدید استفاده کنی:

# پیش‌بینی روی چند نمونه جدید
new_data = np.array([[-0.5, 0.5], [0.8, -0.8]])
predictions = model.predict(new_data)

print("پیش‌بینی برای داده‌های جدید:")
for i, pred in enumerate(predictions):
    # از آنجایی که Sigmoid خروجی بین 0 و 1 می‌دهد، می‌توانیم آن را به 0 یا 1 گرد کنیم.
    predicted_class = 1 if pred > 0.5 else 0
    print(f"داده {new_data[i]}: احتمال کلاس 1: {pred[0]:.4f}, کلاس پیش‌بینی شده: {predicted_class}")

تبریک می‌گم! تو الان یک مدل یادگیری عمیق با Keras ساختی، آموزش دادی، و ازش برای پیش‌بینی استفاده کردی. این یک شروع عالیه!

نکاتی برای پیشرفت بیشتر

این فقط نوک کوه یخ بود! دنیای یادگیری عمیق پر از تکنیک‌ها و ابزارهای جذاب دیگه است. اینجا چند نکته برای ادامه مسیر بهت می‌گم:

تنظیم هایپرپارامترها

تعداد نورون‌ها در هر لایه، تعداد لایه‌ها، تابع فعال‌ساز، optimizer، تعداد epochs و batch_size همه هایپرپارامتر هستن. تغییر این پارامترها می‌تونه تاثیر زیادی روی عملکرد مدل داشته باشه. با امتحان کردن مقادیر مختلف، می‌تونی مدل بهتری بسازی.

کار با داده‌های واقعی

حالا که با اصول کار آشنا شدی، وقتشه با داده‌های واقعی کار کنی. وب‌سایت‌هایی مثل Kaggle پر از دیتاست‌های جالب هستن که می‌تونی مهارت‌هات رو باهاشون محک بزنی. پردازش داده‌های واقعی خودش یه هنر جداگونه‌ست!

عیب‌یابی سریع (Troubleshooting)

توی مسیر یادگیری، طبیعیه که به مشکل بربخوری. اینجا چند تا از مشکلات رایج و راه‌حل‌هاشون رو با هم بررسی می‌کنیم:

یادگیری ماشینی و یادگیری عمیق یک سفر طولانیه، ولی هر گام کوچیکی که برمی‌داری، یه دستاورد بزرگه. اگه بازم سوالی داشتی یا نیاز به راهنمایی بیشتر بود، می‌تونی با شماره 09202232789 باهام تماس بگیری؛ خوشحال میشم کمک کنم.

جمع‌بندی: شروعی برای یک سفر هیجان‌انگیز!

خب، رسیدیم به پایان این مقاله. امیدوارم تونسته باشم مسیر یادگیری Keras رو برای شروع کار برات روشن کرده باشم. دیدی که با Keras چقدر راحت می‌تونی مدل‌های قدرتمند یادگیری عمیق رو بسازی و آموزش بدی. این تازه شروع کاره! حالا که اولین قدم رو محکم برداشتی، می‌تونی وارد پروژه‌های پیچیده‌تر بشی، با انواع مختلف شبکه‌های عصبی (مثل CNN برای تصاویر یا RNN برای متن) کار کنی و دنیای داده‌ها رو زیر و رو کنی.

یادت باشه، مهم‌ترین چیز، تمرین و کنجکاویه. هر چقدر بیشتر کد بزنی و با مفاهیم مختلف ور بری، بیشتر یاد می‌گیری. برای دسترسی به کلی کدهای آماده و اسنیپت‌های کاربردی در حوزه‌های مختلف برنامه‌نویسی، حتماً یه سر به بخش اسنیپت‌های وب‌سایت ما بزن. اونجا کلی چیز به دردت می‌خوره! موفق باشی، برنامه‌نویس!