<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0">
    <channel>
        <title>نوشته های مهیار امیری</title>
        <link>https://virgool.io/feed/@mahyar-amiri</link>
        <description></description>
        <language>fa</language>
        <pubDate>2026-06-21 16:13:58</pubDate>
        <image>
            <url>https://files.virgool.io/upload/users/2278091/avatar/eIwZnn.jpg?height=120&amp;width=120</url>
            <title>مهیار امیری</title>
            <link>https://virgool.io/@mahyar-amiri</link>
        </image>

                    <item>
                <title>مصورسازی مدل‌های شبکه عصبی برپایه Keras به کمک Keras Visualizer</title>
                <link>https://virgool.io/@mahyar-amiri/keras-visualizer-xrpkijdj3soz</link>
                <description>کراس چیست؟کراس (Keras) یک کتابخانه متن‌باز همراه با شبکه عصبی سطح بالا است که به زبان پایتون نوشته شده است و می‌تواند در Tensorflow ، Theano و CNTK اجرا شود. این کتابخانه توسط یکی از مهندسان فرانسوی شرکت گوگل به نام François Chollet ساخته شده است.ساخت مدل شبکه عصبیاز یک مدل ساده برای شروع استفاده می‌کنیم. برای مدل‌های بیشتر می‌توانید از این لینک کمک بگیرید.نصب Kerasبرای نصب و استفاده از Keras باید کتابخانه Tensorflow نصب باشد.pip install tensorflow kerasاستفاده از Kerasاین کتابخانه را می‌توان به دو روش استفاده کرد.from tensorflow import keras
# or
import kerasساخت مدل شبکه عصبیfrom keras import models, layers

model = models.Sequential([
    layers.Dense(64, activation=&#039;relu&#039;, input_shape=(8,)),
    layers.Dense(6, activation=&#039;softmax&#039;),
    layers.Dense(32),
    layers.Dense(9, activation=&#039;sigmoid&#039;)
])مصورسازی مدلبرای نمایش لایه‌های مختلف مدل از کتابخانه Keras Visualizer استفاده می‌کنیم.نصب Keras Visualizerpip install keras-visualizerاستفاده از Keras Visualizerfrom keras_visualizer import visualizer

visualizer(model, file_format=&#039;png&#039;, view=True)نتیجه‌گیرینمونه کد کاملfrom keras import models, layers
from keras_visualizer import visualizer

model = models.Sequential([
    layers.Dense(64, activation=&#039;relu&#039;, input_shape=(8,)),
    layers.Dense(6, activation=&#039;softmax&#039;),
    layers.Dense(32),
    layers.Dense(9, activation=&#039;sigmoid&#039;)
])

visualizer(model, file_format=&#039;png&#039;, view=True)خروجیتوضیحات کامل‌تر ، مثال‌های بیشتر و نحوه شخصی‌سازی خروجی را در مستندات Keras Visualizer بخوانید.</description>
                <category>مهیار امیری</category>
                <author>مهیار امیری</author>
                <pubDate>Thu, 09 Mar 2023 13:28:17 +0330</pubDate>
            </item>
            </channel>
</rss>