Criando sua primeira rede neural com TensorFlow

Nesta lição, vamos criar uma rede neural simples de propagação direta usando TensorFlow. TensorFlow é uma estrutura popular para criar e treinar modelos de aprendizado de máquina.

Etapa 1: Configurando TensorFlow

Primeiro, certifique-se de que TensorFlow está instalado. Caso contrário, você pode instalá-lo usando:

pip install tensorflow

Também vamos importar as bibliotecas necessárias para esta lição.

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

Etapa 2: Preparando o conjunto de dados

Neste exemplo, usaremos um conjunto de dados simples em que a entrada é uma única característica e a saída é o dobro dela:

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

Etapa 3: Criando o modelo

Vamos criar um modelo simples com uma camada de entrada, uma camada oculta e uma camada de saída. A camada oculta usará a função de ativação 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
])

Etapa 4: Compilação do modelo

Compilamos o modelo com:

• Função de perda: Erro quadrático médio para tarefas de regressão.
• Otimizador: Descida de gradiente estocástica (SGD).

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

Etapa 5: Treinamento do modelo

Treinamos o modelo usando os dados de treinamento por 500 épocas. Durante o treinamento, o modelo aprende a minimizar a perda.

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

Etapa 6: Fazendo previsões

Após o treinamento, podemos usar o modelo para fazer previsões em novos dados:

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

Etapa 7: Avaliação do modelo

Avaliamos o desempenho do modelo nos dados de treinamento para garantir que ele tenha aprendido o padrão corretamente:

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

Aplicações no mundo real

Redes neurais de propagação direta construídas usando TensorFlow podem ser aplicadas a:

• Análise preditiva: Previsão de vendas e tendências.
• Classificação: Detecção de mensagens indesejadas e detecção de fraudes.
• Regressão: Previsão de preços e previsão da demanda.

Resumo e próximos passos

Nesta lição, nós:

• Construímos e treinamos uma rede neural simples usando TensorFlow.
• Aprendemos sobre as principais etapas: preparação do conjunto de dados, criação do modelo, compilação e treinamento.
• Fizemos previsões e avaliamos o desempenho do modelo.

A seguir, exploraremos como as redes neurais são ampliadas para arquiteturas mais avançadas, como redes neurais convolucionais (RNCs), para tarefas de processamento de imagens.