Costruire la prima rete neurale con TensorFlow

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

Passaggio 1: configurare TensorFlow

Per prima cosa, si assicuri 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: preparare il 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: creare il modello

Creeremo un semplice modello con uno strato di input, uno strato nascosto e uno strato di output. Per lo strato nascosto verrà utilizzata 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 minimizzare la perdita.

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

Passaggio 6: generazione di predizioni

Dopo l’addestramento, possiamo utilizzare il modello per generare 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 assicurarci 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 con 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 passaggi

In questa lezione:

• Abbiamo creato e addestrato una semplice rete neurale utilizzando TensorFlow.
• Abbiamo appreso i passaggi principali: preparazione del dataset, creazione del modello, compilazione e addestramento.
• Abbiamo generato predizioni e valutato le prestazioni del modello.

Successivamente, esploreremo come estendere le reti neurali ad architetture più avanzate, come le reti neurali convoluzionali (CNN), per le attività di elaborazione delle immagini.