Ihr erstes neuronales Netz mit TensorFlow erstellen

In dieser Lektion erstellen wir ein einfaches Feedforward-neuronales Netz mit TensorFlow. TensorFlow ist ein beliebtes Framework zum Erstellen und Trainieren von Machine-Learning-Modellen.

Schritt 1: TensorFlow einrichten

Stellen Sie zunächst sicher, dass TensorFlow installiert ist. Falls nicht, können Sie es folgendermaßen installieren:

pip install tensorflow

Außerdem importieren wir die für diese Lektion erforderlichen Bibliotheken.

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

Schritt 2: Datensatz vorbereiten

Für dieses Beispiel verwenden wir einen einfachen Datensatz, bei dem die Eingabe aus einem einzelnen Merkmal besteht und die Ausgabe das Doppelte davon ist:

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

Schritt 3: Modell erstellen

Wir erstellen ein einfaches Modell mit einer Eingabeschicht, einer verborgenen Schicht und einer Ausgabeschicht. Die verborgene Schicht verwendet die ReLU-Aktivierungsfunktion.

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

Schritt 4: Modell kompilieren

Wir kompilieren das Modell mit:

• Verlustfunktion: Mittlerer quadratischer Fehler für Regressionsaufgaben.
• Optimierer: Stochastischer Gradientenabstieg (SGD).

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

Schritt 5: Modell trainieren

Wir trainieren das Modell 500 Epochen lang mit den Trainingsdaten. Während des Trainings lernt das Modell, den Verlust zu minimieren.

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

Schritt 6: Vorhersagen treffen

Nach dem Training können wir das Modell verwenden, um Vorhersagen für neue Daten zu treffen:

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

Schritt 7: Modell evaluieren

Wir evaluieren die Leistung des Modells anhand der Trainingsdaten, um sicherzustellen, dass es das Muster korrekt gelernt hat:

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

Anwendungen in der Praxis

Mit TensorFlow erstellte Feedforward-neuronale Netze können eingesetzt werden für:

• Prädiktive Analysen: Prognosen von Umsätzen und Trends.
• Klassifikation: Erkennung von Spam und Betrug.
• Regression: Preisprognosen und Nachfrageprognosen.

Zusammenfassung und nächste Schritte

In dieser Lektion haben wir:

• ein einfaches neuronales Netz mit TensorFlow erstellt und trainiert.
• die wichtigsten Schritte kennengelernt: Datensatzvorbereitung, Modellerstellung, Kompilierung und Training.
• Vorhersagen erstellt und die Leistung des Modells evaluiert.

Als Nächstes untersuchen wir, wie neuronale Netze zu fortgeschritteneren Architekturen wie Convolutional Neural Networks (CNNs) für Aufgaben der Bildverarbeitung erweitert werden.