Первая нейронная сеть с 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, установите его с помощью команды:

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 входное значение является одним признаком, а выходное значение вдвое больше него:

# 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 с помощью:

• 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 значение функции потерь.

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

Шаг 6: Создание прогнозов

После обучения мы можем использовать модель для создания прогнозов на новых данных:

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

Шаг 7: Оценка модели

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

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

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

• Прогнозной аналитики: прогнозирования продаж и тенденций.
• Классификации: выявления спама и мошенничества.
• Регрессии: прогнозирования цен и спроса.

На этом уроке мы:

• Создали и обучили простую нейронную сеть с помощью TensorFlow.
• Изучили основные этапы: подготовку набора данных, создание модели, компиляцию и обучение.
• Создали прогнозы и оценили качество модели.

Далее мы рассмотрим, как расширяются нейронные сети и превращаются в более сложные архитектуры, например сверточные нейронные сети для задач обработки изображений.