Ievads
Mākslīgie neironu tīkli (ANN) ir radījuši ievērojamas pārmaiņas mašīnmācības jomā. Tās būtībā ir tīkla struktūras, kas veidotas pēc cilvēka smadzeņu parauga un tiek izmantotas, lai atrisinātu sarežģītus uzdevumus, piemēram, attēlu atpazīšanu, runas tulkošanu un citus. ANN jauda ir pieejama, izmantojot Python bibliotēku Keras. Keras Sequential modelis ir īpaši viegli saprotams un ieviešams, piedāvājot cilvēkiem lasāmus kodus. Šajā rakstā tiks apskatīts Keras secīgais modelis un atklāts, kā izmantot bibliotēkas ANN.
ANN atbloķēšanas atslēga: Keras secīgais modelis un bibliotēkas
Keras secīgais modelis ir lineāra slāņu kopa, ko varat izmantot, lai izveidotu neironu tīklu. Tas ir vienkārši un ir lieliski piemērots iesācējiem, jo ļauj soli pa solim izveidot modeli. Tomēr tas nav piemērots sarežģītākām arhitektūrām. Piemēram, tas neatbalsta vairākas ievades vai koplietotus slāņus un tā tālāk.
Izmantojot Keras, varat sākt, izveidojot tukšu secīgu modeli un pievienojot tam slāņus, vai arī izveidojot, varat nodot slāņu sarakstu. Bibliotēkas tiek izmantotas, ja vēlaties veikt noteiktas darbības, piemēram, matricas manipulācijas vai datu pārveidošanu.
from keras.models import Sequential from keras.layers import Dense # Initializing the ANN model = Sequential() # Adding the input layer and the first hidden layer model.add(Dense(16, activation='relu', input_shape=(10,))) # Adding the second hidden layer model.add(Dense(8, activation='relu')) # Adding the output layer model.add(Dense(1, activation='sigmoid'))
Šis ir vienkāršs piemērs tam, kā varat sākt ar tukšu secīgu modeli un pievienot tam slāņus.
Bibliotēku atbilstība
Bibliotēkas ir vieta, kur parādās Python programmēšanas valodas patiesais spēks. Ar tādām bibliotēkām kā NumPy un pandas datu manipulācija un matemātiskās funkcijas kļūst pilnveidotas un vieglāk pārvaldāmas. Citas bibliotēkas, piemēram, Scikit-learn, papildina Keras mākslīgā intelekta (ANN) veidošanā, sadalot datu kopas un nodrošinot metrikas.
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
# Data Preparation
data = pd.read_csv('my_data.csv')
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values
# Splitting the dataset into Training set and Test set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2, random_state = 0)
Izmantotās bibliotēkas īpaši racionalizē ANN izveidei nepieciešamo datu sagatavošanas procesu.
Datu apstrādes iespējošana, izmantojot TensorFlow
Python programmā TensorFlow veido pamatu darbam ar Keras. Tā ir būtiska bibliotēka ANN izveidei un apmācībai, jo tā nodrošina ietvaru augsta līmeņa neironu tīklu izpildei. TensorFlow funkcija ir piedāvāt skaitlisku skaitļošanas jaudu, izmantojot datu plūsmas grafikus, kuriem ir mezgli un malas.
Keras secīgā modeļa kontekstā TensorFlow palīdz aprēķināt sarežģītas matemātiskas darbības, kas notiek modeļa aizmugurē.
# Compiling the ANN model.compile(optimizer ='adam',loss='binary_crossentropy', metrics =['accuracy']) # Fitting the ANN to the Training set model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=100, batch_size=32)
Tas būtībā atspoguļo to, kā TensorFlow ir galvenais Keras secīgā modeļa mācību procesā. Tās loma ir ļoti svarīga funkciju optimizācijas un aprēķināšanas fāzēs.
Python un tā bibliotēku nodrošināto ANN evolūcija, izmantojot Keras Sequential modeli, ilustrē aizraujošu mašīnmācīšanās posmu. Bibliotēku izvēle un izpratne par to darbību var būtiski ietekmēt modeļa panākumus. Nepārtraukti praktizējot un pielietojot, efektīvu ANN modeļu izveides māksla, izmantojot Keras, kļūst par otro dabu python programmētājiem.
