Ditt första neurala nätverk med TensorFlow

I den här lektionen skapar vi ett enkelt feedforward-neuralt nätverk med TensorFlow. TensorFlow är ett populärt ramverk för att bygga och träna maskininlärningsmodeller.

Steg 1: Konfigurera TensorFlow

Kontrollera först att TensorFlow är installerat. Om det inte är installerat kan det installeras med:

pip install tensorflow

Vi importerar även de bibliotek som behövs för den här lektionen.

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

Steg 2: Förbereda datamängden

I det här exemplet använder vi en enkel datamängd där indatan är en enda egenskap och utdatan är dess dubbla värde:

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

Steg 3: Skapa modellen

Vi skapar en enkel modell med ett indatalager, ett dolt lager och ett utdatalager. Det dolda lagret använder aktiveringsfunktionen 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
])

Steg 4: Kompilera modellen

Vi kompilerar modellen med:

• Förlustfunktion: Medelkvadratfel för regressionsuppgifter.
• Optimerare: Stokastisk gradientnedstigning (SGD).

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

Steg 5: Träna modellen

Vi tränar modellen med träningsdata under 500 epoker. Under träningen lär sig modellen att minimera förlusten.

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

Steg 6: Göra förutsägelser

Efter träningen kan vi använda modellen för att göra förutsägelser på nya data:

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

Steg 7: Utvärdera modellen

Vi utvärderar modellens prestanda på träningsdata för att säkerställa att den har lärt sig mönstret korrekt:

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

Framkopplade neurala nätverk som byggs med TensorFlow kan användas till:

• Prediktiv analys: Prognostisering av försäljning och trender.
• Klassificering: Identifiering av skräppost och bedrägerier.
• Regression: Prisprognoser och efterfrågeprognoser.

I den här lektionen har vi:

• Byggt och tränat ett enkelt neuralt nätverk med TensorFlow.
• Lärt oss om de viktigaste stegen: förberedelse av datasetet, skapande av modellen, kompilering och träning.
• Gjort förutsägelser och utvärderat modellens prestanda.

Härnäst ska vi utforska hur neurala nätverk kan utökas till mer avancerade arkitekturer, till exempel konvolutionella neurala nätverk (CNN), för bildbehandlingsuppgifter.