# Keras-Tutorial: Deep-Learning Beispiel mit Keras und Python Bei [Keras](https://www.ionos.at/digitalguide/online-marketing/suchmaschinenmarketing/was-ist-keras/ "Was ist Keras?") handelt es sich um eine **Open-Source-Bibliothek zur Erstellung von Deep-Learning-Anwendungen**. Keras ist in Python geschrieben und bietet eine einheitliche Schnittstelle für verschiedene Deep-Learning-Backends wie „[TensorFlow](https://www.tensorflow.org/ "TensorFlow")” und „Theano”. [Deep Learning](https://www.ionos.at/digitalguide/online-marketing/suchmaschinenmarketing/deep-learning/ "Deep Learning") ist ein Teilbereich von Machine Learning und basiert auf [künstlichen neuronalen Netzen](https://www.ionos.at/digitalguide/online-marketing/suchmaschinenmarketing/was-ist-ein-neural-network/ "Was ist ein Neural Network?"). Keras zielt darauf ab, den **Einstieg in Deep Learning zu vereinfachen**. Im Verlauf dieses Keras-Tutorials werden wir die Funktionsweise von Keras anhand eines einfachen Beispiels erläutern. ## Ihr System für die Nutzung von Keras vorbereiten Bereiten Sie Ihr System für die Nutzung von Keras am besten vor, indem Sie das **Softwarepaket [„Anaconda”](https://www.anaconda.com/ "Anaconda — The World’s Most Popular Data Science Platform") installieren**. Dabei handelt es sich um eine kostenlos verfügbare Plattform für Data Science. Sie beinhaltet nützliche Bibliotheken und Tools und bringt eine Python3-Installation von Haus aus mit. ### Anaconda und Python installieren Die nachfolgenden Erklärungen und der abgebildete Code beziehen sich auf **macOS**. Prinzipiell sollte der Code auch unter anderen Betriebssystemen laufen. Es kann jedoch sein, dass Sie einige Anpassungen vornehmen müssen, insbesondere, wenn Sie Windows verwenden. Wenn Sie mit der Kommandozeile vertraut sind und die **freie Paketverwaltung Homebrew auf Ihrem Mac installiert haben**, nutzen Sie diese, um Anaconda zu installieren. Öffnen Sie dazu eine Kommandozeile (‘Terminal.App’ auf dem Mac), kopieren Sie die folgende Codezeile in das Terminal und führen Sie sie aus. ```none brew cask install anaconda ``` Sollten Ihnen Homebrew kein Begriff sein oder möchten Sie **Anaconda unter Windows oder Linux installieren**, laden Sie das für Ihr System passende Installationspaket von der folgenden Seite herunter: [Anaconda – Individual Edition](https://www.anaconda.com/products/individual "Anaconda – Individual Edition"). ### Anaconda- und Python-Installation testen Um sicherzustellen, dass **Anaconda und Python korrekt installiert wurden**, führen Sie die folgenden Befehle auf der Kommandozeile aus: **Um sich die Version des Conda-Paketmanagers anzeigen zu lassen** ```none conda -version ``` **Um die Version des Python-Interpreters angezeigt zu bekommen** ```none python --version ``` Sollten Ihnen bei der Eingabe die Fehlermeldung „Befehl nicht gefunden” angezeigt werden, müssen Sie **gegebenenfalls den Pfad auf die Anaconda-Binaries setzen**. Lesen Sie dafür den nächsten Abschnitt. Haben die Tests funktioniert, überspringen Sie ihn. ### Pfad für Anaconda-Binaries setzen Die Pfad-Umgebungsvariable „PATH“ enthält Informationen darüber, **wo im Dateisystem sich bestimmte Hilfsprogramme** befinden. Einzelne Pfade innerhalb der Umgebungsvariable werden mit einem Doppelpunkt getrennt. Sie können weitere Pfade anhängen, hier dargestellt für Anaconda in der Version 3: ```none export PATH=/usr/local/anaconda3/bin:"$PATH" ``` Damit der Pfad auch tatsächlich aktiv wird, müssen Sie **diese Codezeile in Ihrem System hinterlegen**. Je nach System und der eingesetzten Shell (Bash, zsh etc.) unterscheidet sich die Datei, in der die Änderung vorgenommen wird. Wir zeigen dies hier exemplarisch für Bash unter macOS. Führen Sie die folgenden Codezeilen auf der Kommandozeile aus, um die Pfad-Variable in der Datei „.bash\_profile“ anzupassen: **Pfad-Variable, um die Anaconda-Installation zu erweitern** ```none echo -n 'export PATH=/usr/local/anaconda3/bin:"$PATH"' >> "$HOME/.bash_profile" ``` **Die .bash\_profile-Datei laden** ```none source "$HOME/.bash_profile" ``` Tipp Verwenden Sie auf der Kommandozeile den Befehl ‘cat “$HOME/.bash\_profile”’, um sich die bestehende ‘.bash\_profile’-Datei anzeigen zu lassen. Wiederholen Sie nun die Tests: **Version des Conda-Paketmanagers anzeigen** ```none conda -version ``` **Version des Python-Interpreters anzeigen** ```none python --version ``` Ihnen sollten nun die Versionsnummern angezeigt werden. Ist dies der Fall, können Sie mit den folgenden Schritten weitermachen. ### Anaconda- und Python-Installation auf den neuesten Stand bringen Bevor Sie ein neues Projekt beginnen, ist es **ratsam, die unterliegenden Bibliotheken auf den neuesten Stand zu bringen**. Die Anaconda-Plattform bringt den Paketmanager „conda“ mit. Verwenden Sie die folgenden Conda-Befehle, um verfügbare Updates einzuspielen: **Updates für den Conda-Paketmanager installieren** ```none conda update conda ``` **Anaconda-Updates installieren** ```none conda update anaconda ``` ### Versionsnummern der installierten Keras-Deep-Learning-Pakete überprüfen Keras ist in Python geschrieben und baut auf einer Vielzahl anderer Python-Module auf. Führen Sie den folgenden Codeblock auf der Kommandozeile aus, um die **Versionsnummern der meistgenutzten Keras Deep-Learning-Pakete anzuzeigen**: ```none python << EOF print() # scipy import scipy print('scipy: %s' % scipy.__version__) # numpy import numpy print('numpy: %s' % numpy.__version__) # matplotlib import matplotlib print('matplotlib: %s' % matplotlib.__version__) # pandas import pandas print('pandas: %s' % pandas.__version__) # statsmodels import statsmodels print('statsmodels: %s' % statsmodels.__version__) # scikit-learn import sklearn print('sklearn: %s' % sklearn.__version__) print() EOF ``` ### Keras auf Ihrem System installieren Nachdem wir das System vorbereitet haben, **installieren wir nun Keras**. Führen Sie dafür die folgenden Codezeilen auf der Kommandozeile aus: **TensorFlow installieren** ```none pip install tensorflow ``` **Keras installieren** ```none pip install keras ``` Wie gehabt, **überprüfen Sie als nächstes die installierte Keras-Version**. Verwenden Sie dafür die folgende Codezeile: ```none python -c "import keras; print(keras.__version__)" ``` Liegt die Keras-Installation bereits einige Zeit zurück, sollten Sie **nach verfügbaren Updates suchen und diese installieren**. Die folgende Codezeile erledigt dies für Sie. Kopieren Sie diese wie gewohnt und führen Sie den Code auf der Kommandozeile aus: ```none pip install --upgrade keras ``` ## Beispiel für ein einfaches Keras Deep-Learning Das Keras-Team veröffentlicht eine [Liste mit Keras-Beispielen](https://github.com/keras-team/keras/tree/master/examples "Keras examples at master – keras-team at GitHub") unter einer freien Lizenz auf GitHub. Wir werden exemplarisch das spezifische [Beispiel ‘mnist\_cnn.py’](https://github.com/ShawDa/Keras-examples/blob/master/mnist_cnn.py "Keras mnistcnn.py at master - keras-team at GitHub") behandeln. Der **Code erzeugt ein „Convolutional Neural Network“** (CNN oder ConvNet) und trainiert es auf die Trainingsdaten. Für Trainings- und Testdaten nutzt das Keras Beispiel-Script den MNIST-Datensatz. Dabei handelt es sich um eine große Sammlung kleiner Bilder mit jeweils 28 x 28 Pixel. Jedes Bild enthält eine per Hand geschriebene Zahl. Der **MNIST-Datensatz gilt als Standard für Mustererkennung** und wird mit Keras ausgeliefert. Falls Sie neugierig sind, können Sie sich die **Trainings- und Testdaten anschauen**. Kopieren Sie dazu den folgenden Codeblock und führen Sie ihn auf der Kommandozeile aus. Bei jeder Ausführung wird Ihnen eines der Trainingsbilder angezeigt. ```none python << EOF # Keras laden import keras # MNIST Training- und Test-Datensätze laden from keras.datasets import mnist # Bibliothek für grafische Darstellung laden import matplotlib.pyplot as plt # Funktion für zufällige Bildauswahl laden from random import randint # Datensätze laden (train_images, train_labels), (test_images, test_labels) = mnist.load_data() # Bild zeigen plt.figure() plt.imshow(train_images[randint(1, len(train_images) - 1)]) plt.grid(False) plt.show() EOF ``` Wir werden im Folgenden das neuronale Netzwerk darauf trainieren, die handschriftlichen Ziffern korrekt zuzuordnen. **Das Trainieren des Netzwerks ist rechenaufwendig**. Wundern Sie sich also nicht, wenn ihr Computer ordentlich ins Stocken gerät — das ist normal. Sollten Sie ein mobiles Gerät verwenden, achten Sie darauf, dass die Batterie ausreichend geladen ist, oder schließen Sie das Gerät an das Stromnetz an. Wir werden zunächst einen **Test-Ordner auf dem Desktop anlegen, in den Ordner wechseln und dort ein leeres Python-Skript erzeugen**. Verwenden Sie dafür die folgenden Codezeilen; kopieren Sie diese und führen Sie sie auf der Kommandozeile aus: **Um einen Ordner „keras-test“ auf dem Desktop anzulegen** ```none mkdir "$HOME/Desktop/keras-test/" && cd "$HOME/Desktop/keras-test/" ``` **Um ein leeres Python-Skript anzulegen** ```none touch keras-test.py ``` Danach müssen Sie das Skript in die Datei „keras-test.py“ kopieren und speichern. Ist der Test-Ordner angelegt, **erstellen Sie als nächstes das Keras Beispiel-Skript**. Kopieren Sie dafür den Code am Ende dieses Artikels und fügen Sie ihn in ein leeres Textdokument ein. Speichern Sie das Dokument im soeben auf dem Desktop erstellten Ordner „keras-test“ in der bis dato leeren Datei „keras-test.py“. Um das Keras-Beispiel-Skript mithilfe des Python-Interpreters auszuführen, geben Sie schließlich noch die folgenden Codezeilen auf der Kommandozeile ein: ```none cd "$HOME/Desktop/keras-test/" && python keras-test.py ``` Ihnen sollten nun einige Status-Informationen angezeigt werden. **Dann beginnt das Skript mit dem Trainieren des ConvNet**, wobei Ihnen der Fortschritt beim Durchlaufen der einzelnen Epochen angezeigt wird. Nach Durchlaufen des Skripts ist das ConvNet trainiert und steht für die Klassifizierung handschriftlicher Ziffern zur Verfügung. Hinweis Benutzen Sie zum Speichern des Codes ausschließlich einen Code-Editor/„Plain Text“-Editor. Keinesfalls sollten Sie Textverarbeitungssoftware wie Word, OpenOffice oder LibreOffice verwenden. ```none # Code in der Datei 'keras-test.py' im Ordner 'keras-test' speichern from __future__ import print_function # Keras laden import keras # MNIST Training- und Test-Datensätze laden from keras.datasets import mnist # Sequentielles Modell laden from keras.models import Sequential # Ebenen des neuronalen Netzes laden from keras.layers import Dense, Dropout, Flatten from keras.layers import Conv2D, MaxPooling2D from keras import backend as K # Anzahl unterschiedlicher Daten-Ausprägungen: Ziffern 0–9 num_classes = 10 # Anzahl der Durchgänge für Training des neuronalen Netzes epochs = 12 # Anzahl der während eines Durchgangs genutzten Daten batch_size = 128 # Dimensionen der Eingabebilder (28 x 28 Pixel pro Bild) img_rows, img_cols = 28, 28 # Trainings- und Testdaten laden (train_images, train_labels), (test_images, test_labels) = mnist.load_data() if K.image_data_format() == 'channels_first': train_images = train_images.reshape(train_images.shape[0], 1, img_rows, img_cols) test_images = test_images.reshape(test_images.shape[0], 1, img_rows, img_cols) input_shape = (1, img_rows, img_cols) else: train_images = train_images.reshape(train_images.shape[0], img_rows, img_cols, 1) test_images = test_images.reshape(test_images.shape[0], img_rows, img_cols, 1) input_shape = (img_rows, img_cols, 1) # Gleitkomma-Datentyp setzen train_images = train_images.astype('float32') test_images = test_images.astype('float32') # Bilddaten normalisieren train_images /= 255 test_images /= 255 print('train_images shape:', train_images.shape) print(train_images.shape[0], 'train samples') print(test_images.shape[0], 'test samples') # Klassen-Vektoren in binäre Klassen-Matrizen konvertieren train_labels = keras.utils.to_categorical(train_labels, num_classes) test_labels = keras.utils.to_categorical(test_labels, num_classes) # Modell erzeugen model = Sequential() # Ebenen zum Modell hinzufügen model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=input_shape)) model.add(Conv2D(64, (3, 3), activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Dropout(0.25)) model.add(Flatten()) model.add(Dense(128, activation='relu')) model.add(Dropout(0.5)) model.add(Dense(num_classes, activation='softmax')) # Modell kompilieren model.compile(loss=keras.losses.categorical_crossentropy, optimizer=keras.optimizers.Adadelta(), metrics=['accuracy']) # Modell trainieren model.fit(train_images, train_labels, batch_size=batch_size, epochs=epochs, verbose=1, validation_data=(test_images, test_labels)) # Modell auswerten score = model.evaluate(test_images, test_labels, verbose=0) print('Test loss:', score[0]) print('Test accuracy:', score[1]) ``` This is a markdown version of: [https://www.ionos.at/digitalguide/websites/web-entwicklung/keras-tutorial/](https://www.ionos.at/digitalguide/websites/web-entwicklung/keras-tutorial/) for AI/LLM consumption.