Tworzenie 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 upewnij się, że TensorFlow jest zainstalowany. Jeśli nie, możesz go zainstalować za pomocą:

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 wejściem jest pojedyncza cecha, a wynikiem jej podwojona wartość:

# 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. W warstwie ukrytej użyjemy 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, używając:

• Funkcja straty: błędu średniokwadratowego w zadaniach regresji.
• Optymalizator: stochastycznego spadku gradientu (SGD).

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

Krok 5: Trenowanie modelu

Trenujemy model z użyciem danych treningowych przez 500 epok. Podczas treningu model uczy się minimalizować funkcję straty.

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

Krok 6: Tworzenie predykcji

Po zakończeniu treningu możemy użyć modelu do tworzenia predykcji na podstawie nowych danych:

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

Krok 7: Ocena modelu

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

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

Zastosowania w świecie rzeczywistym

Sieci neuronowe jednokierunkowe zbudowane przy użyciu TensorFlow można stosować do:

• Analityka predykcyjna: prognozowania sprzedaży i trendów.
• Klasyfikacja: wykrywania spamu i oszustw.
• Regresja: przewidywania cen i prognozowania popytu.

Podsumowanie i dalsze kroki

W tej lekcji:

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

W następnej kolejności przyjrzymy się temu, jak sieci neuronowe są rozszerzane do bardziej zaawansowanych architektur, takich jak konwolucyjne sieci neuronowe (CNN), wykorzystywanych w zadaniach przetwarzania obrazów.