Создание первой нейронной сети с помощью TensorFlow

В этом уроке мы создадим простую нейронную сеть прямого распространения с помощью TensorFlow. TensorFlow — популярная платформа для создания и обучения моделей машинного обучения.

Шаг 1: Настройка TensorFlow

Сначала убедитесь, что TensorFlow установлен. Если нет, его можно установить с помощью:

pip install tensorflow

Также мы импортируем необходимые для этого урока библиотеки.

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

Шаг 2: Подготовка набора данных

В этом примере мы используем простой набор данных, в котором входными данными служит один признак, а выходными — его удвоенное значение:

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

Шаг 3: Создание модели

Мы создадим простую модель с одним входным слоем, одним скрытым слоем и одним выходным слоем. В скрытом слое будет использоваться функция активации 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
])

Шаг 4: Компиляция модели

Мы компилируем модель со следующими параметрами:

• Функция потерь: среднеквадратичная ошибка для задач регрессии.
• Оптимизатор: стохастический градиентный спуск (SGD).

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

Шаг 5: Обучение модели

Мы обучаем модель на обучающих данных в течение 500 эпох. Во время обучения модель учится минимизировать потери.

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

Шаг 6: создание прогнозов

После обучения мы можем использовать модель для создания прогнозов по новым данным:

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

Шаг 7: Оценка модели

Мы оцениваем качество работы модели на обучающих данных, чтобы убедиться, что она правильно выучила закономерность:

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

Применение в реальном мире

Нейронные сети прямого распространения, созданные с помощью TensorFlow, можно применять для:

• Прогнозной аналитики: Прогнозирования продаж и тенденций.
• Классификации: Обнаружения спама и мошенничества.
• Регрессии: Прогнозирования цен и спроса.

Итоги и следующие шаги

В этом уроке мы:

• Создали и обучили простую нейронную сеть с помощью TensorFlow.
• Узнали об основных этапах: подготовке набора данных, создании модели, компиляции и обучении.
• Сделали прогнозы и оценили качество работы модели.

Далее мы рассмотрим, как нейронные сети расширяются до более сложных архитектур, например свёрточных нейронных сетей (СНС), для обработки изображений.