Was ist ein neuronales Netzwerk?
Eins rot neuronal ist ein mathematisches und computergestütztes Modell, das von den neuronalen Netzwerken des menschlichen Gehirns inspiriert ist.
Künstliche neuronale Netze wurden auf dem Gebiet der entwickelt künstliche Intelligenz und wurden in vielen Aufgaben verwendet, wie Mustererkennung und Datenklassifizierung.
Wie ein neuronales Netzwerk funktioniert
Ein neuronales Netz besteht aus Verarbeitungseinheiten Anrufe Neuronen.
Jedes Neuron ist mit anderen Neuronen durch verbunden Verknüpfungen die sie übermitteln Zeichen zwischen ihnen.
Neuronen und Links haben Peso mit ihnen verbunden, verwendet, um das Signal zu modifizieren, das zwischen Neuronen übertragen wird.
Wie ein neuronales Netz gelernt wird
Das Lernen in einem neuronalen Netzwerk erfolgt dies durch Anpassen der Gewichte der Verbindungen zwischen den Neuronen.
Diese Anpassung erfolgt über die Backpropagation-Algorithmus, die die Gewichte der Links so modifiziert, dass Fehler in den Netzwerkausgaben minimiert werden.
So implementieren Sie ein neuronales Netzwerk in Python
Es gibt viele Softwarebibliotheken, mit denen neuronale Netze in Python implementiert werden können..
Einige der beliebtesten sind TensorFlow, Keras j PyTorch.
in dieser Anleitung, benutzen wir die Bibliothek Keras mit dem Backend von TensorFlow.
Paso 1: Importieren Sie die erforderlichen Bibliotheken
Zuerst, Für dieses Tutorial müssen wir die erforderlichen Bibliotheken importieren.
Lassen Sie uns die Bibliothek importieren Keras und einige der Funktionen TensorFlow was werden wir brauchen.
”’
aus keras.models import Sequential
aus keras.layers import Dense
Tensorflow als tf importieren
”’
Paso 2: Definieren Sie das neuronale Netzwerk
In diesem Schritt, Lassen Sie uns das Modell unseres neuronalen Netzwerks definieren.
Wir werden a verwenden rot neuronal vollständig verbunden, die aus dichten Schichten von Neuronen besteht, die zwischen allen Neuronen der vorherigen Schicht verbunden sind.
Der erste Schritt besteht darin, eine Sequenzielles Objekt. Dieses Objekt wird verwendet, um die Struktur des neuronalen Netzes zu definieren.
”’
model = Sequentiell()
”’
Nächste, Wir fügen unserem Modell die erste dichte Schicht von Neuronen hinzu.
Diese Schicht verfügt über 100 Neuronen, und die Eingabeschicht hat 784 Neuronen (eine für jedes Pixel eines MNIST-Bildes).
Die Funktion Drehen Es wird verwendet, um eine dichte Schicht von Neuronen zu erzeugen.
”’
Modell.Hinzufügen(Drehen(100, input_dim=784, activation='relu'))
”’
Nächste, Wir fügen eine zweite dichte Schicht von Neuronen hinzu.
Diese Schicht verfügt über 50 Neuronen.
”’
Modell.Hinzufügen(Drehen(50, activation='relu'))
”’
Endlich, Hinzufügen der Ausgabeschicht.
Diese Schicht verfügt über 10 Neuronen, eine für jede Ziffer des MNIST-Datensatzes.
Die Aktivierungsfunktion, die wir in dieser Schicht verwenden werden, ist die Softmax, Dies ist eine Aktivierungsfunktion, die in Mehrklassenklassen-Klassifizierung.
”’
Modell.Hinzufügen(Drehen(10, activation='softmax'))
”’
Paso 3: Kompilieren des Modells
Sobald wir das Modell unseres neuronalen Netzes definiert haben, Benötigen Kompilieren bevor wir es zum Lernen verwenden können.
In diesem Schritt, Geben wir die Kostenfunktion und die Optimierer die wir verwenden werden.
Das Kostenfunktion ist ein Maß dafür, wie gut das Modell beim Lernen abschneidet..
Das Optimierer ist der Algorithmus, der verwendet wird, um die Gewichte des neuronalen Netzes anzupassen.
in dieser Anleitung, Lassen Sie uns die Kategoriale Kostenfunktion der Kreuzentropie und die Stochastischer absteigender Gradientenoptimierer.
”’
model.compile(Verlust='categorical_crossentropy',
optimizer='sgd',
Metriken=["Genauigkeit"])
”’
Paso 4: Trainieren des Modells
Sobald wir das Modell kompiliert haben, Wir sind bereit, Sie zu schulen.
in dieser Anleitung, Lassen Sie uns das MNIST-Dataset verwenden.
Es enthält einen Datensatz 60.000 Bilder von handschriftlichen Ziffern für das Training und 10.000 Bilder von handgeschriebenen Ziffern zur Validierung.
Wir werden währenddessen unser neuronales Netzwerk trainieren 20 Jahreszeiten, und wir werden a verwenden Chargengröße von 128.
”’
modell.fit(x_zug, y_zug,
batch_size=128,
Epochen = 20,
validation_data=(x_test, y_test))
”’
Paso 5: Bewerten Sie das Modell
Sobald wir das Modell trainiert haben, Wir werden seine Leistung anhand des Testdatensatzes bewerten.
Dieser Datensatz enthält 10.000 handschriftliche Ziffernbilder.
”’
score = model.evaluate(x_test, y_test, batch_size=128)
”’
Das Punktzahl zurückgegeben wird eine Liste mit zwei Werten.
Der erste Wert ist die Verlust (Kostenfunktion) des Modells im Testdatensatz.
Der zweite Wert ist Richtigkeit (Richtigkeit) des Modells im Testdatensatz.
”’
drucken(Punktzahl)
Anwendungen neuronaler Netze
Künstliche neuronale Netze (Ann, Künstliche neuronale Netz) sind eine Familie von Modellen Maschinelles Lernen basierend auf der Struktur und Funktion der Zentrales Nervensystem von Lebewesen, insbesondere der Zerebraler Kortex.
Es gibt verschiedene Anwendungen von neuronalen Netzen., das bemerkenswerteste ist das Folgende:
Mustererkennung
Das Mustererkennung Es ist eine der bekanntesten Anwendungen neuronaler Netze.. Es ist ein Prozess, mit dem bestimmte Muster in einem Datensatz erkannt und klassifiziert werden können..
Einige Beispiele für Mustererkennung sind das Erkennen von Objekten in einem Bild, Spracherkennung oder Zeichenerkennung in einem Dokument.
Verarbeitung natürlicher Sprache
Das Verarbeitung natürlicher Sprache (NLP, Verarbeitung natürlicher Sprache) ist eine weitere Anwendung neuronaler Netze. Es ist eine Disziplin, die für die Analyse verantwortlich ist, natürliche Sprache verstehen und erzeugen.
Einige Beispiele für die Verarbeitung natürlicher Sprache werden als Entitätserkennung bezeichnet, Stimmungsanalyse oder maschinelle Übersetzung.
Anomalieerkennung
Das Anomalieerkennung ist eine weitere Anwendung neuronaler Netze. Es ist ein Prozess, mit dem anomale oder ungewöhnliche Muster in einem Datensatz erkannt werden können..
Einige Beispiele für die Erkennung von Anomalien sind die Erkennung von Betrug bei Banktransaktionen, Erkennen von Eindringlingen in einem Computersystem oder Erkennen von Fehlern in einem Fertigungsprozess.
Zeitreihenvorhersage
Das Zeitreihenvorhersage ist eine weitere Anwendung neuronaler Netze. Es ist ein Prozess, mit dem zukünftige Werte einer Zeitreihe aus früheren Werten vorhergesagt werden können..
Einige Beispiele für Zeitreihenprognosen sind die Prognose des Kurses einer Aktie an der Börse., Vorhersage der Nachfrage nach einem Produkt auf einem Markt oder Vorhersage des Energieverbrauchs in einer Stadt.