Cos'è una rete neurale?
Uno neuronale rosso è un modello matematico e computazionale che si ispira alle reti neurali del cervello umano.
Le reti neurali artificiali sono state sviluppate nel campo della intelligenza artificiale e sono stati utilizzati in molti compiti, come il riconoscimento di modelli e la classificazione dei dati.
Come funziona una rete neurale
Una rete neurale è composta da unità di elaborazione chiamate neuroni.
Ogni neurone è collegato ad altri neuroni da collegamenti che trasmettono segni tra loro.
Neuroni e collegamenti hanno pesos associati ad essi, utilizzato per modificare il segnale che viene trasmesso tra i neuroni.
Come si apprende una rete neurale
Il apprendimento in una rete neurale si fa regolando i pesi dei collegamenti tra i neuroni.
Questa regolazione viene effettuata utilizzando il algoritmo di backpropagation, che modifica i pesi dei collegamenti in modo da ridurre al minimo gli errori nelle uscite di rete.
Come implementare una rete neurale in Python
Esistono molte librerie software che possono essere utilizzate per implementare reti neurali in Python..
Alcuni dei più popolari sono TensorFlow, Keras · y Torcia PyTorch.
in questa guida, usiamo la libreria Keras · con il backend di TensorFlow.
Paso 1: Importa le librerie necessarie
Primo, dobbiamo importare le librerie necessarie per questo tutorial.
Importiamo la libreria Keras · e alcune delle funzioni TensorFlow di cosa avremo bisogno.
”’
da keras.models import Sequential
da keras.layers import Dense
importa flusso tensoriale come tf
”’
Paso 2: Definire la rete neurale
In questo passaggio, definiamo il modello della nostra rete neurale.
Useremo a neuronale rosso completamente connesso, che è costituito da densi strati di neuroni collegati tra tutti i neuroni dello strato precedente.
Il primo passo è creare un oggetto sequenza. Questo oggetto viene utilizzato per definire la struttura della rete neurale.
”’
modello = sequenziale()
”’
Prossimo, aggiungiamo il primo strato denso di neuroni al nostro modello.
Questo strato lo farà 100 neuroni, e il livello di input avrà 784 neuroni (uno per ogni pixel di un'immagine MNIST).
La funzione Girare È usato per creare uno strato denso di neuroni.
”’
modello.add(Girare(100, input_dim=784, activation='relu'))
”’
Prossimo, Aggiungiamo un secondo strato denso di neuroni.
Questo strato lo farà 50 neuroni.
”’
modello.add(Girare(50, activation='relu'))
”’
Infine, Aggiungere il livello di output.
Questo strato lo farà 10 neuroni, uno per ogni cifra del set di dati MNIST.
La funzione di attivazione che useremo in questo livello sarà la Softmax, che è una funzione di attivazione utilizzata in Classificazione multiclasse.
”’
modello.add(Girare(10, activation='SoftMax'))
”’
Paso 3: Compilare il modello
Una volta definito il modello della nostra rete neurale, Bisogno Compilare prima di poterlo usare per l'apprendimento.
In questo passaggio, Specifichiamo il Funzione di costo e il ottimizzatore che useremo.
Il Funzione di costo è una misura di quanto bene il modello sta facendo nell'apprendimento..
Il ottimizzatore è l'algoritmo utilizzato per regolare i pesi della rete neurale.
in questa guida, Usiamo il Funzione di costo categorico di entropia incrociata e il Ottimizzatore di gradiente discendente stocastico.
”’
model.compile(loss='categorical_crossentropy',
optimizer='sgd',
metriche=['accuratezza'])
”’
Paso 4: Eseguire il training del modello
Una volta compilato il modello, Siamo pronti a formarti.
in questa guida, usiamo il set di dati MNIST.
Contiene set di dati 60.000 immagini di cifre scritte a mano per la formazione e 10.000 immagini di cifre scritte a mano per la convalida.
Addestreremo la nostra rete neurale durante 20 le stagioni, e useremo a dimensione del lotto di 128.
”’
modello.fit(x_treno, y_train,
dimensione_lotto=128,
epoche=20,
dati_di_validazione=(x_test, y_test))
”’
Paso 5: Valuta il modello
Dopo aver addestrato il modello, valuteremo le sue prestazioni sul set di dati di test.
Questo set di dati contiene 10.000 immagini di cifre scritte a mano.
”’
punteggio = modello.valuta(x_test, y_test, dimensione_lotto=128)
”’
Il punto che viene restituito è un elenco con due valori.
Il primo valore è il perdita (Funzione di costo) del modello nel set di dati di test.
Il secondo valore è il Accuratezza (accuratezza) del modello nel set di dati di test.
”’
Stampare(punto)
Applicazioni delle reti neurali
Reti neurali artificiali (Ann, Rete neurale artificiale) sono una famiglia di modelli di Apprendimento automatico sulla base della struttura e del funzionamento del Sistema nervoso centrale di esseri viventi, in particolare del corteccia cerebrale.
Ci sono varie applicazioni delle reti neurali., il più notevole è il seguente:
riconoscimento del modello
Il riconoscimento del modello È una delle applicazioni più note delle reti neurali.. È un processo mediante il quale determinati modelli in un set di dati possono essere rilevati e classificati..
Alcuni esempi di riconoscimento di modelli sono il riconoscimento di oggetti in un'immagine, riconoscimento vocale o riconoscimento dei caratteri in un documento.
elaborazione del linguaggio naturale
Il elaborazione del linguaggio naturale (PNL, Elaborazione del linguaggio naturale) è un'altra applicazione delle reti neurali. È una disciplina che ha il compito di analizzare, comprendere e generare il linguaggio naturale.
Alcuni esempi di elaborazione del linguaggio naturale sono denominati riconoscimento di entità, analisi del sentimento o traduzione automatica.
Rilevamento di anomalie
Il rilevamento delle anomalie è un'altra applicazione delle reti neurali. È un processo mediante il quale modelli anomali o insoliti possono essere rilevati in un set di dati..
Alcuni esempi di rilevamento di anomalie sono il rilevamento di frodi nelle transazioni bancarie, il rilevamento di intrusi in un sistema informatico o il rilevamento di errori in un processo di fabbricazione.
Previsione di serie temporali
Il previsione di serie temporali è un'altra applicazione delle reti neurali. È un processo mediante il quale i valori futuri di una serie temporale possono essere previsti dai valori precedenti..
Alcuni esempi di previsione di serie temporali prevedono il prezzo di un'azione sul mercato azionario., prevedere la domanda di un prodotto in un mercato o prevedere il consumo di energia in una città.