Budowanie pierwszej sieci neuronowej za pomocą TensorFlow

W tej lekcji utworzymy prostą jednokierunkową sieć neuronową za pomocą TensorFlow. TensorFlow to popularny framework do tworzenia i trenowania modeli uczenia maszynowego.

Krok 1: Konfigurowanie TensorFlow

Najpierw należy upewnić się, że TensorFlow jest zainstalowany. Jeśli nie, można zainstalować go za pomocą polecenia:

pip install tensorflow

Zaimportujemy również biblioteki wymagane w tej lekcji.

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

Krok 2: Przygotowanie zbioru danych

W tym przykładzie użyjemy prostego zbioru danych, w którym wejście jest pojedynczą cechą, a wyjście stanowi jej podwojenie:

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

Krok 3: Tworzenie modelu

Utworzymy prosty model z jedną warstwą wejściową, jedną warstwą ukrytą i jedną warstwą wyjściową. Warstwa ukryta będzie korzystać z funkcji aktywacji 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
])

Krok 4: Kompilowanie modelu

Kompilujemy model z użyciem:

• Funkcja straty: Średni błąd kwadratowy do zadań regresji.
• Optymalizator: Stochastyczny spadek gradientowy (SGD).

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

Krok 5: Trenowanie modelu

Trenujemy model na danych treningowych przez 500 epok. Podczas treningu model uczy się minimalizować wartość funkcji straty.

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

Krok 6: Wykonywanie predykcji

Po zakończeniu trenowania możemy użyć modelu do wykonywania predykcji dla nowych danych:

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

Krok 7: Ocena modelu

Oceniamy działanie modelu na danych treningowych, aby upewnić się, że prawidłowo nauczył się wzorca:

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

Zastosowania w świecie rzeczywistym

Jednokierunkowe sieci neuronowe zbudowane za pomocą TensorFlow można stosować do:

• Analityka predykcyjna: Prognozowanie sprzedaży i trendów.
• Klasyfikacja: Wykrywanie spamu i oszustw.
• Regresja: Prognozowanie cen i popytu.

Podsumowanie i kolejne kroki

W tej lekcji:

• Zbudowaliśmy i wytrenowaliśmy prostą sieć neuronową za pomocą TensorFlow.
• Poznaliśmy najważniejsze etapy: przygotowanie zbioru danych, tworzenie modelu, kompilowanie i trenowanie.
• Wykonaliśmy predykcje i oceniliśmy działanie modelu.

Następnie przeanalizujemy, jak rozszerzać sieci neuronowe o bardziej zaawansowane architektury, takie jak konwolucyjne sieci neuronowe (CNN), do zadań związanych z przetwarzaniem obrazów.