Как написать простую нейронную сеть

Введение

Нейронные сети являются основой многих современных приложений машинного обучения. В этой статье рассматривается создание простой нейронной сети с использованием библиотеки TensorFlow. Основное внимание уделяется подготовке данных, созданию и обучению модели.

Установка необходимых библиотек

Для обучения нейронной сети потребуется следующая библиотека:

pip install tensorflow numpy

Импорт библиотек

Для работы с данными и создания модели необходимо импортировать следующие библиотеки:

import tensorflow as tf
import numpy as np
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.utils import to_categorical

Подготовка данных

В данном примере используется набор данных MNIST, содержащий изображения рукописных цифр. Подготовка данных включает загрузку, нормализацию и преобразование меток в формат one-hot encoding.

# Загрузка данных
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# Нормализация данных
x_train = x_train / 255.0
x_test = x_test / 255.0

# Преобразование меток в формат one-hot encoding
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

Создание модели

Создание модели осуществляется с использованием Sequential API в Keras, который является частью TensorFlow. Модель состоит из следующих слоев:

model = Sequential([
    Flatten(input_shape=(28, 28)),  # Преобразование входных данных в одномерный массив
    Dense(128, activation='relu'),  # Полносвязный слой с 128 нейронами и функцией активации ReLU
    Dense(10, activation='softmax')  # Выходной слой с 10 нейронами и функцией активации softmax
])

Компиляция модели

После создания модели необходимо ее скомпилировать, указав оптимизатор, функцию потерь и метрику для оценки:

model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

Обучение модели

Обучение модели проводится с использованием обучающих данных:

model.fit(x_train, y_train, epochs=5, batch_size=32, validation_split=0.2)

Оценка модели

Оценка точности модели осуществляется на тестовых данных:

test_loss, test_accuracy = model.evaluate(x_test, y_test)
print(f'Точность на тестовых данных: {test_accuracy * 100:.2f}%')

Заключение

Создание и обучение простой нейронной сети для распознавания рукописных цифр демонстрирует основные этапы, включая подготовку данных, создание модели, компиляцию, обучение и оценку. Этот процесс может быть значительно упрощен с использованием библиотек, таких как TensorFlow.

Полный код

import tensorflow as tf
import numpy as np
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.utils import to_categorical

# Загрузка данных
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# Нормализация данных
x_train = x_train / 255.0
x_test = x_test / 255.0

# Преобразование меток в формат one-hot encoding
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

# Создание модели
model = Sequential([
    Flatten(input_shape=(28, 28)),  # Преобразование входных данных в одномерный массив
    Dense(128, activation='relu'),  # Полносвязный слой с 128 нейронами и функцией активации ReLU
    Dense(10, activation='softmax')  # Выходной слой с 10 нейронами и функцией активации softmax
])

# Компиляция модели
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# Обучение модели
model.fit(x_train, y_train, epochs=5, batch_size=32, validation_split=0.2)

# Оценка модели
test_loss, test_accuracy = model.evaluate(x_test, y_test)
print(f'Точность на тестовых данных: {test_accuracy * 100:.2f}%')

Создание нейронной сети может показаться сложной задачей, но с помощью TensorFlow этот процесс становится значительно проще. Экспериментируйте с различными архитектурами и параметрами, чтобы улучшить производительность вашей модели.

Другие статьи

Наш телеграм канал

OMNI Labs