O que é uma rede neural?
UMA neuronal vermelho é um modelo matemático e computacional inspirado nas redes neurais do cérebro humano.
As redes neurais artificiais foram desenvolvidas no campo da inteligência artificial e tem sido usado em muitas tarefas, como reconhecimento de padrões e classificação de dados.
Como funciona uma rede neural
Uma rede neural é formada por unidades de processamento chamadas neurônios.
Cada neurônio está conectado a outros neurônios por links que eles transmitam sinais entre elas.
Neurônios e links têm pesos associados a eles, usado para modificar o sinal que é transmitido entre os neurônios.
Como uma rede neural é aprendida
o Aprendendo em uma rede neural isso é feito ajustando os pesos das ligações entre os neurônios.
Esse ajuste é feito usando o algoritmo de retropropagação, que modifica os pesos dos links de forma a minimizar erros nas saídas da rede.
Como implementar uma rede neural em Python
Existem muitas bibliotecas de software que podem ser usadas para implementar redes neurais em Python.
Alguns dos mais populares são TensorFlow, Rio Keras y Tocha PyTorch.
Neste tutorial, Vamos usar a biblioteca Rio Keras com o back-end de TensorFlow.
Passo 1: Importar bibliotecas necessárias
Em primeiro lugar, Precisamos importar as bibliotecas necessárias para este tutorial.
Vamos importar a biblioteca Rio Keras e algumas das funções de TensorFlow que precisaremos.
”’
de keras.models importar Sequencial
de keras.layers importar Denso
importar tensorflow como tf
”’
Passo 2: Defina a rede neural
Nesta etapa, vamos definir o modelo da nossa rede neural.
Nós vamos usar um vermelho neuronal totalmente conectado, que é composta por camadas densas de neurônios conectados entre todos os neurônios da camada anterior.
O primeiro passo é criar um objeto de sequência. Este objeto é usado para definir a estrutura da rede neural.
”’
modelo = Sequencial()
”’
A seguir, adicionamos a primeira camada densa de neurônios ao nosso modelo.
Esta camada vai 100 neurônios, e a camada de entrada terá 784 neurônios (um para cada pixel de uma imagem MNIST).
A função Virar É usado para criar uma camada densa de neurônios.
”’
modelo.adicionar(Virar(100, input_dim=784, ativação='relu'))
”’
A seguir, Adicionamos uma segunda camada densa de neurônios.
Esta camada vai 50 neurônios.
”’
modelo.adicionar(Virar(50, ativação='relu'))
”’
Finalmente, Adicione a camada de saída.
Esta camada vai 10 neurônios, um para cada dígito do conjunto de dados MNIST.
A função de ativação que usaremos nesta camada será a Softmax, que é uma função de ativação que é usada em Classificação multiclasse.
”’
modelo.adicionar(Virar(10, ativação='softmax'))
”’
Passo 3: Compilar o Modelo
Uma vez que tenhamos definido o modelo de nossa rede neural, Precisar Compilar antes que possamos usá-lo para aprender.
Nesta etapa, Vamos especificar o Função de custo e ele Otimizador que vamos usar.
o Função de custo é uma medida de quão bem o modelo está indo na aprendizagem..
o Otimizador é o algoritmo usado para ajustar os pesos da rede neural.
Neste tutorial, Vamos usar o Função de custo categórico da Entropia Cruzada e ele otimizador de gradiente descendente estocástico.
”’
model.compile(perda='categorical_crossentropy',
otimizador=sgd',
métricas=['precisão'])
”’
Passo 4: Treine o Modelo
Depois de compilarmos o modelo, estamos prontos para treinar você.
Neste tutorial, vamos usar o conjunto de dados MNIST.
Ele contém conjunto de dados 60.000 imagens de dígitos manuscritos para treinamento e 10.000 imagens de dígitos manuscritos para validação.
Vamos treinar nossa rede neural durante 20 épocas, e vamos usar um tamanho do batch do 128.
”’
model.fit(x_train, y_train,
batch_size=128,
épocas=20,
validação_dados=(x_test, y_test))
”’
Passo 5: Avalie o Modelo
Uma vez que treinamos o modelo, avaliaremos seu desempenho no conjunto de dados de teste.
Este conjunto de dados contém 10.000 imagens de dígitos manuscritos.
”’
pontuação = modelo.avaliar(x_test, y_test, batch_size=128)
”’
o pontuação que é retornado é uma lista com dois valores.
O primeiro valor é o perda (Função de custo) do modelo no conjunto de dados de teste.
O segundo valor é precisão (precisão) do modelo no conjunto de dados de teste.
”’
imprimir(pontuação)
Aplicações de redes neurais
redes neurais artificiais (ANN, Rede neural artificial) são uma família de modelos Machine Learning com base na estrutura e função do sistema nervoso central de seres vivos, em especial do córtex cerebral.
Existem várias aplicações de redes neurais., sendo o mais notável o seguinte:
reconhecimento de padrões
o reconhecimento de padrões É uma das aplicações mais conhecidas de redes neurais.. É um processo pelo qual certos padrões em um conjunto de dados podem ser detectados e classificados..
Alguns exemplos de reconhecimento de padrões são reconhecer objetos em uma imagem, reconhecimento de fala ou reconhecimento de caracteres em um documento.
processamento de linguagem natural
o processamento de linguagem natural (PNL, Processamento de linguagem natural) é outra aplicação de redes neurais. É uma disciplina responsável por analisar, entender e gerar linguagem natural.
Alguns exemplos de processamento de linguagem natural são reconhecimento de entidade nomeada, análise de sentimentos ou tradução automática.
Detecção de anomalia
o detecção de anomalia é outra aplicação de redes neurais. É um processo pelo qual padrões anômalos ou incomuns podem ser detectados em um conjunto de dados..
Alguns exemplos de detecção de anomalias são a detecção de fraudes em transações bancárias, a detecção de intrusos em um sistema de computador ou a detecção de erros em um processo de fabricação.
Previsão de séries temporais
o previsão de séries temporais é outra aplicação de redes neurais. É um processo pelo qual valores futuros de uma série temporal podem ser previstos a partir de valores anteriores..
Alguns exemplos de previsão de séries temporais são a previsão do preço de uma ação no mercado de ações., prever a demanda de um produto em um mercado ou prever o consumo de energia em uma cidade.