Costruire la propria prima rete neurale con TensorFlow

In questa lezione creeremo una semplice rete neurale feedforward utilizzando TensorFlow. TensorFlow è un framework molto diffuso per creare e addestrare modelli di machine learning.

Passaggio 1: configurazione di TensorFlow

Per prima cosa, verifichi che TensorFlow sia installato. In caso contrario, può installarlo utilizzando:

pip install tensorflow

Importeremo inoltre le librerie necessarie per questa lezione.

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

Passaggio 2: preparazione del dataset

Per questo esempio utilizzeremo un semplice dataset in cui l’input è una singola caratteristica e l’output è il suo doppio:

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

Passaggio 3: creazione del modello

Creeremo un semplice modello con uno strato di input, uno strato nascosto e uno strato di output. Lo strato nascosto utilizzerà la funzione di attivazione 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
])

Passaggio 4: compilazione del modello

Compiliamo il modello con:

• Funzione di perdita: errore quadratico medio per le attività di regressione.
• Ottimizzatore: discesa del gradiente stocastica (SGD).

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

Passaggio 5: addestramento del modello

Addestriamo il modello utilizzando i dati di addestramento per 500 epoche. Durante l’addestramento, il modello impara a ridurre al minimo la perdita.

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

Passaggio 6: esecuzione delle predizioni

Dopo l'addestramento, è possibile usare il modello per effettuare predizioni su nuovi dati:

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

Passaggio 7: valutazione del modello

Valutiamo le prestazioni del modello sui dati di addestramento per verificare che abbia appreso correttamente lo schema:

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

Applicazioni nel mondo reale

Le reti neurali feedforward create utilizzando TensorFlow possono essere applicate a:

• Analisi predittiva: previsione delle vendite e delle tendenze.
• Classificazione: rilevamento dello spam e delle frodi.
• Regressione: previsione dei prezzi e della domanda.

Riepilogo e prossimi passi

In questa lezione:

• abbiamo creato e addestrato una semplice rete neurale utilizzando TensorFlow;
• abbiamo appreso i passaggi fondamentali: preparazione del dataset, creazione, compilazione e addestramento del modello;
• abbiamo effettuato previsioni e valutato le prestazioni del modello.

Nel prossimo passaggio vedremo come estendere le reti neurali ad architetture più avanzate, come le reti neurali convoluzionali (CNN), per le attività di elaborazione delle immagini.