Erstellen Ihres ersten neuronalen Netzes mit TensorFlow

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 mit folgendem Befehl 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 dessen Doppeltes 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 Verkäufen und Trends.
• Klassifikation: Spam-Erkennung und Betrugserkennung.
• Regression: Preisvorhersagen und Nachfrageprognosen.

Zusammenfassung und nächste Schritte

In dieser Lektion haben wir:

• Ein einfaches neuronales Netz mit TensorFlow erstellt und trainiert.
• Die wichtigsten Schritte kennengelernt: Vorbereitung des Datensatzes, Erstellung des Modells, Kompilierung und Training.
• Vorhersagen getroffen und die Leistung des Modells evaluiert.

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