Neironu tīkla modeļa izveide ir aizraujoša mašīnmācības joma, īpaši Python. Tas piedāvā plašas iespējas analīzei, prognozēm un lēmumu pieņemšanas procesu automatizēšanai. Pirms iedziļināmies sižeta neironu tīkla izveides sarežģītībā, ir svarīgi saprast, kas ir neironu tīkls. Būtībā tā ir algoritmu sistēma, kas nosaka cilvēka smadzeņu struktūru, tādējādi radot mākslīgu neironu tīklu, kas analītiskā procesā interpretē sensoros datus, uztverot nianses, kas ir “neredzamas” ar neapstrādātajiem datiem, līdzīgi kā to dara mūsu smadzenes.
Neironu tīkls ir obligāts datu ieguves procesos, kur tas identificē modeļus un tendences, kas bija pārāk sarežģītas gan cilvēkiem, gan citām datortehnikām. Tagad iedziļināsimies lietas būtībā — izmantojot Python, lai izveidotu un uzzīmētu neironu tīklu.
Neironu tīklu uzzīmēšana Python
# Importing libraries import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import make_blobs # Create a sample dataset dataset=make_blobs(n_samples=800, centers=2, n_features=2, cluster_std=1.6, random_state=50) # Split into input (X) and output (y) X, y = dataset # Plot the sample data plt.scatter(X[:,0], X[:,1], c=y) plt.show()
Sapratīsim šo kodu:
- Pirmajās četrās rindās mēs importējam nepieciešamās bibliotēkas, piemēram, numpy, matplotlib utt.
- Pēc tam, izmantojot sklearn funkciju "make_blobs", mēs izveidojam datu kopu.
- Pēc tam datu kopa tiek sadalīta ieejās (X) un izejās (y).
- Pēdējā rindā ir attēlots X un y, un mēs varam vizualizēt datus, izmantojot izkliedes funkciju no matplotlib bibliotēkas.
Izpratne par sižetu neironu tīklu bibliotēkām
Šajā kontekstā vissvarīgākā ir izpratne par Python bibliotēkām. Numpy bibliotēka ļauj veikt matemātiskas darbības, matplotlib tiek izmantots 2D diagrammu attēlošanai no datiem, kas ir Python, un sklearn spearheads mašīnmācībai Python.
Soli pa solim kods
Soli pa solim koda process ļauj mums iegūt padziļinātu izpratni:
# Import necessary modules from keras.models import Sequential from keras.layers import Dense # Create the model model = Sequential() # Add input layer with 2 inputs neurons model.add(Dense(input_dim=2, output_dim=1, init='uniform', activation='sigmoid')) # Compile model model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # Fit the model history = model.fit(X, y, epochs=100, batch_size=10)
Šajā koda daļā
- Mēs izveidojam modeli, izmantojot funkciju Sequential() no keras.models moduļa.
- Tālāk tiek pievienots ievades slānis ar 2 ievades neironiem. Šeit “Blīvs” ir slāņa veids, kas darbojas vairumā gadījumu. Blīvā slānī visi iepriekšējā slāņa mezgli savienojas ar pašreizējā slāņa mezgliem.
- 'Sastādīt' sagatavo modeli apmācībai.
- Pēdējā daļa, “modeļa pielāgošana”, ir vieta, kur tiek apmācīts neironu tīkls. “Epochas” norāda visas apmācības datu kopas izeju skaitu. Modelis apgūst un atjaunina modeļa parametrus katrā laikmetā. Partijas lielums ir datu kopas apakškopa.
Izmantojot šos kodus, mēs veidojam pamatu sižeta neironu tīkla izveidei, izmantojot Python. Izmantojot Python plašās bibliotēkas un jaudīgās iespējas, neironu tīklus var efektīvi ieviest un vizualizēt. Tas ir tikai par sakņu izpratni, un jūs varat augt šajā daudzpusīgajā mašīnmācības jomā.
