Dit første neurale netværk med TensorFlow

I denne lektion opretter vi et enkelt fremadrettet neuralt netværk ved hjælp af TensorFlow. TensorFlow er et populært rammeværk til opbygning og træning af maskinlæringsmodeller.

Trin 1: Opsætning af TensorFlow

Først skal du sikre dig, at TensorFlow er installeret. Hvis ikke kan du installere det ved hjælp af:

pip install tensorflow

Vi importerer også de nødvendige biblioteker til denne lektion.

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import numpy as np

Trin 2: Forberedelse af datasættet

I dette eksempel bruger vi et enkelt datasæt, hvor inddataene består af én egenskab, og uddataene er det dobbelte af den:

# Generate sample data
X = np.array([[1], [2], [3], [4], [5]], dtype=float)
y = np.array([[2], [4], [6], [8], [10]], dtype=float)

Trin 3: Oprettelse af modellen

Vi opretter en enkel model med ét inddatalag, ét skjult lag og ét uddatalag. Det skjulte lag bruger aktiveringsfunktionen ReLU.

# Create the model
model = Sequential([
    Dense(10, activation='relu', input_shape=(1,)),  # Hidden layer with 10 neurons
    Dense(1)  # Output layer with 1 neuron
])

Trin 4: Kompilering af modellen

Vi kompilerer modellen med:

• Tabsfunktion: Middelkvadratisk fejl til regressionsopgaver.
• Optimeringsalgoritme: Stokastisk gradientnedstigning (SGD).

# Compile the model
model.compile(optimizer='sgd', loss='mean_squared_error')

Trin 5: Træning af modellen

Vi træner modellen med træningsdataene i 500 epoker. Under træningen lærer modellen at minimere tabet.

# Train the model
model.fit(X, y, epochs=500, verbose=1)

Trin 6: Forudsigelser

Efter træningen kan vi bruge modellen til at lave forudsigelser på nye data:

# Predict on new data
print(model.predict([6]))

Trin 7: Evaluering af modellen

Vi evaluerer modellens ydeevne på træningsdataene for at sikre, at den har lært mønsteret korrekt:

# Evaluate the model
loss = model.evaluate(X, y)
print(f"Loss: {loss}")

Feedforward-neurale netværk, der er bygget med TensorFlow, kan anvendes til:

• Prædiktiv analyse: Prognoser for salg og tendenser.
• Klassifikation: Registrering af spam og svindel.
• Regression: Prisforudsigelser og efterspørgselsprognoser.

I denne lektion har vi:

• Bygget og trænet et simpelt neuralt netværk med TensorFlow.
• Lært om de vigtigste trin: klargøring af datasæt, oprettelse af modellen, kompilering og træning.
• Lavet forudsigelser og evalueret modellens ydeevne.

Derefter undersøger vi, hvordan neurale netværk udvides til mere avancerede arkitekturer som konvolutionelle neurale netværk (CNN'er) til billedbehandlingsopgaver.