====================
Tensorflow und Keras
====================

Machine (Deep) Learning Bibliothek
--------------------

Keras ist eine Open-Source Bibliothek für neuronale Netze geschrieben in
Python. Es kann aufbauend auf Deeplearning4j, Tensorflow, CNTK oder
Theano benutzt werden. Die Ausrichtung von Keras zielt auf eine schnelle
experimentelle Implementierung von neuronalen Netzen ab. Dabei hat es 
den Anspruch minimal, modular und erweiterbar zu sein. Entwickelt 
wurde Keras as Teil des Projektes ONEIROS (Open-ended Neuro-Electronic
Intelligent Robot Operating System). Der hautpverantwortliche Entwickler
ist François Chollet, ein Google Ingenieur.
 
Im Jahr 2017 hat das TensorFlow Team entschieden, Keras in TensorFlows 
Kernbibliothek zu unterstützen. Chollet betont dabei, dass Keras eher
als ein Interface anstatt eines Machine Learning Frameworks zu verstehen
ist. Keras präsentiert ein Set von abstrakten Lösungen, die es einfach machen
neuronale Netze zu konfigurieren, ohne sich um die dahinterliegenden
Backends zu kümmern.

Ordnerstruktur
-------------------

Keras benötigt eine Ordnerstruktur, in der die Klassen und zu lernenden
Bilder unterteilt sind. Die Klassen müssen in Trainingsordner und im
Validierungsordner vorliegen:

- data
	- models
		- model.h5
	- train
		- klasse1 (1024 Bilder)
		- klasse2 (1024 Bilder)
	- validation
		- klasse1 (416 Bilder)
		- klasse2 (416 Bilder)

In diesem Fall haben wir eine binäre Klassifikation.
		
Installation
-------------------
Keras lässt sich mit pip installieren: "pip install keras".
Es sollte jedoch im Vorfeld bereits TensorFlow installiert sein.


TensorBoard
-------------------
Um die TensorFlow Berechnungen zu visualisieren (z.B. die Kostenfunktion), wurde das TensorBoard eingeführt.
Das Board muss im selben Verzeichnis gestartet werden in dem auch das neuronale Netz berechnet wird.
Der Aufruf im Terminal sieht folgendermaßen aus: "tensorboard --logdir=logs/".