🚀 Documentação Oficial do Keras / TensorFlow
| # | Comando / Função | O que faz | Exemplo |
|---|---|---|---|
| 1 | pip install tensorflow | Instala o Keras (embutido no TensorFlow) | pip install tensorflow |
| 2 | from tensorflow import keras | Importa a biblioteca principal | from tensorflow import keras |
| 3 | from keras import layers | Importa os blocos de construção de camadas | from tensorflow.keras import layers |
| 4 | keras.Sequential() | Cria um modelo de pilha linear de camadas | model = keras.Sequential() |
| 5 | keras.Model() | API Funcional para modelos complexos | model = keras.Model(inputs, outputs) |
| 6 | model.summary() | Exibe a arquitetura e total de parâmetros | model.summary() |
| 7 | layers.Dense() | Camada totalmente conectada | layers.Dense(64, activation='relu') |
| 8 | layers.Input() | Define o formato dos dados de entrada | layers.Input(shape=(32,)) |
| 9 | layers.Flatten() | Transforma matriz em um vetor plano | layers.Flatten() |
| 10 | layers.Dropout() | Desativa neurônios aleatórios (evita overfitting) | layers.Dropout(0.5) |
| 11 | layers.Conv2D() | Filtros espaciais para imagens | layers.Conv2D(32, (3,3)) |
| 12 | layers.MaxPooling2D() | Reduz a dimensão espacial (downsampling) | layers.MaxPooling2D(pool_size=(2,2)) |
| 13 | layers.LSTM() | Memória de longo prazo (texto/séries) | layers.LSTM(128) |
| 14 | layers.GRU() | Variante simplificada da LSTM | layers.GRU(64) |
| 15 | layers.Embedding() | Representação vetorial de palavras | layers.Embedding(input_dim=1000, output_dim=64) |
| 16 | activation='relu' | Função linear retificada (padrão) | layers.Dense(10, activation='relu') |
| 17 | activation='softmax' | Probabilidades para múltiplas classes | layers.Dense(3, activation='softmax') |
| 18 | activation='sigmoid' | Probabilidade para classificação binária | layers.Dense(1, activation='sigmoid') |
| 19 | model.compile() | Configura o processo de aprendizado | model.compile(optimizer='adam', loss='mse') |
| 20 | optimizer='adam' | Otimizador adaptativo eficiente | optimizer='adam' |
| 21 | loss='categorical_crossentropy' | Função de erro para múltiplas classes | loss='categorical_crossentropy' |
| 22 | metrics=['accuracy'] | Métrica de desempenho para monitorar | metrics=['accuracy'] |
| 23 | model.fit() | Treina o modelo nos dados | model.fit(X, y, epochs=10) |
| 24 | batch_size= | Número de amostras por atualização de peso | model.fit(X, y, batch_size=32) |
| 25 | epochs= | Número de vezes que percorre todo o dataset | epochs=50 |
| 26 | validation_split= | Reserva parte dos dados para validação | validation_split=0.2 |
| 27 | model.evaluate() | Calcula a perda e métricas no teste | model.evaluate(X_test, y_test) |
| 28 | model.predict() | Gera previsões para novos dados | y_pred = model.predict(X_new) |
| 29 | callbacks.EarlyStopping() | Para o treino se o modelo parar de melhorar | EarlyStopping(monitor='val_loss', patience=3) |
| 30 | callbacks.ModelCheckpoint() | Salva o melhor modelo durante o treino | ModelCheckpoint('best_model.h5') |
| 31 | model.save() | Salva o modelo completo (H5 ou SavedModel) | model.save('model.keras') |
| 32 | keras.models.load_model() | Carrega um modelo salvo anteriormente | new_model = load_model('model.keras') |