Ensimmäinen neuroverkko TensorFlowlla

Tässä oppitunnissa luomme yksinkertaisen eteenpäinsyöttävän neuroverkon TensorFlowlla. TensorFlow on suosittu koneoppimismallien rakentamiseen ja opettamiseen tarkoitettu kehys.

Vaihe 1: TensorFlow'n käyttöönotto

Varmista ensin, että TensorFlow on asennettu. Jos sitä ei ole asennettu, voit asentaa sen seuraavasti:

pip install tensorflow

Tuomme myös tässä oppitunnissa tarvittavat kirjastot.

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

Vaihe 2: Aineiston valmisteleminen

Tässä esimerkissä käytämme yksinkertaista aineistoa, jossa syöte on yksi piirre ja tulos on sen kaksinkertainen arvo:

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

Vaihe 3: Mallin luominen

Luomme yksinkertaisen mallin, jossa on yksi syötekerros, yksi piilokerros ja yksi tuloskerros. Piilokerroksessa käytetään ReLU-aktivointifunktiota.

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

Vaihe 4: Mallin kääntäminen

Käännämme mallin seuraavilla asetuksilla:

• Häviöfunktio: keskimääräinen neliövirhe regressiotehtäviin.
• Optimoija: stokastinen gradienttilaskeutuminen (SGD).

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

Vaihe 5: Mallin kouluttaminen

Koulutamme mallia koulutusdatan avulla 500 epookin ajan. Koulutuksen aikana malli oppii minimoimaan häviön.

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

Vaihe 6: Ennusteiden tekeminen

Koulutuksen jälkeen voimme käyttää mallia ennusteiden tekemiseen uuden datan perusteella:

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

Vaihe 7: Mallin arviointi

Arvioimme mallin suorituskykyä koulutusdatan avulla varmistaaksemme, että se on oppinut kuvion oikein:

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

TensorFlowlla rakennettuja eteenpäinsyöttäviä neuroverkkoja voidaan käyttää seuraaviin:

• Ennakoiva analytiikka: myynnin ja trendien ennustaminen.
• Luokittelu: roskapostin ja petosten tunnistaminen.
• Regressio: hintojen ennustaminen ja kysynnän ennakointi.

Tässä oppitunnissa:

• Rakensimme ja koulutimme yksinkertaisen neuroverkon TensorFlowlla.
• Opimme keskeiset vaiheet: aineiston valmistelun, mallin luomisen, kääntämisen ja kouluttamisen.
• Teimme ennusteita ja arvioimme mallin suorituskykyä.

Seuraavaksi tutustumme siihen, miten neuroverkkoja laajennetaan edistyneemmiksi arkkitehtuureiksi, kuten konvoluutioneuroverkoiksi (CNN), kuvankäsittelytehtäviä varten.