🔟 進階應用與專案示範

🎯 Keras 的進階應用

現在我們已經學會了 Keras 的基礎與核心概念，接下來，我們將探索 Keras 在實際專案中的應用。

✅ 進階應用領域：

影像分類（Image Classification）
物件偵測（Object Detection）
自然語言處理（NLP）
時間序列預測（Time Series Forecasting）
生成對抗網路（GANs）

✅ 影像分類專案示範（Image Classification）

我們可以使用 Keras 來建立一個影像分類模型，例如 CIFAR-10 數據集。

from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras.datasets import cifar10

# 載入 CIFAR-10 數據集
(x_train, y_train), (x_test, y_test) = cifar10.load_data()

# 正規化數據
x_train, x_test = x_train / 255.0, x_test / 255.0

# 建立 CNN 模型
model = keras.Sequential([
    layers.Conv2D(32, (3,3), activation='relu', input_shape=(32,32,3)),
    layers.MaxPooling2D((2,2)),
    layers.Conv2D(64, (3,3), activation='relu'),
    layers.MaxPooling2D((2,2)),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')
])

# 編譯模型
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# 訓練模型
model.fit(x_train, y_train, epochs=10, batch_size=32, validation_data=(x_test, y_test))

✅ 這是一個適用於影像分類的 CNN 模型，適合應用於物件辨識等任務。

✅ NLP 應用（情感分析）

Keras 也可以用於 自然語言處理（NLP），例如情感分析。

from tensorflow.keras.preprocessing.text import Tokenizer
from tensorflow.keras.preprocessing.sequence import pad_sequences

# 建立訓練數據
documents = ["I love this movie!", "This film is terrible.", "Amazing story and characters."]
labels = [1, 0, 1]  # 1: 正面情緒, 0: 負面情緒

# Tokenization
tokenizer = Tokenizer(num_words=1000)
tokenizer.fit_on_texts(documents)
sequences = tokenizer.texts_to_sequences(documents)

# 填充序列
padded_sequences = pad_sequences(sequences, maxlen=10)

✅ 這樣可以將文字轉換為數值表示，以便輸入到 NLP 模型中進行訓練。

📝 總結

應用領域	範例
影像分類	`CNN` 處理 CIFAR-10 數據集
自然語言處理（NLP）	文字 Tokenization 與情感分析
時間序列預測	`LSTM` 處理金融數據預測
物件偵測	`YOLO` 進行即時影像分析
生成對抗網路（GANs）	影像生成與風格轉換

🚀 恭喜你！你已經完成了 Keras 教學課程！現在你可以使用 Keras 構建自己的深度學習專案了！🎉 😊