使用 Python 创建神经网络

什么是神经网络?

红色神经元 是一种受人脑神经网络启发的数学和计算模型.

人工神经网络在以下领域得到了发展 人工智能 并已用于许多任务, 例如模式识别和数据分类.

神经网络的工作原理

神经网络由 处理单元 来电 神经元.

每个神经元通过以下方式连接到其他神经元 链接 传输 信号 包括.

神经元和链接有 比索 与他们有关, 用于修改在神经元之间传输的信号.

如何学习神经网络

学习 在神经网络中,它是通过调整神经元之间链接的权重来完成的.

此调整是使用 反向传播算法, 它以最小化网络输出中的错误的方式修改链接的权重.

如何在 Python 中实现神经网络

有许多软件库可用于在 Python 中实现神经网络。.

一些最受欢迎的是 张量流, 凯拉斯PyTorch.

在这个演练中, 让我们使用图书馆 凯拉斯 与后端 张量流.

帕索 1: 导入必要的库

第一的, 我们需要为本教程导入必要的库.

让我们导入库 凯拉斯 和一些功能 张量流 我们需要什么.

”’

从 keras.models 导入顺序
从 keras.layers 导入密集
将张量流导入为 tf

”’

帕索 2: 定义神经网络

在这一步, 让我们定义我们的神经网络的模型.

我们将使用一个 红色神经元全连接, 它由密集的神经元层组成,连接在前一层的所有神经元之间.

第一步是创建一个 序列对象. 该对象用于定义神经网络的结构.

”’

模型 = 顺序()

”’

下一个, 我们将第一个密集的神经元层添加到我们的模型中.

该层将 100 神经元, 输入层将有 784 神经元 (MNIST 图像的每个像素一个).

功能 稠密 它用于创建密集的神经元层.

”’

模型.添加(稠密(100, input_dim=784, 激活='relu'))

”’

下一个, 我们添加了第二层致密的神经元.

该层将 50 神经元.

”’

模型.添加(稠密(50, 激活='relu'))

”’

最后, 添加输出图层.

该层将 10 神经元, MNIST 数据集的每个数字一个.

我们将在此层中使用的激活函数将是 软最大, 这是一个激活函数,用于 多类分类.

”’

模型.添加(稠密(10, 激活='软最大值'))

”’

帕索 3: 编译模型

一旦我们定义了神经网络的模型, 需要 编译 在我们使用它进行学习之前.

在这一步, 让我们指定 成本函数优化 我们将要使用的.

成本函数 是衡量模型在学习中表现如何的指标。.

优化 是用于调整神经网络权重的算法.

在这个演练中, 让我们使用 交叉熵分类成本函数随机降序梯度优化器.

”’

模型编译(损失='categorical_crossentropy',
优化器='SGD',
指标=[“准确性”])

”’

帕索 4: 训练模型

一旦我们编译了模型, 我们准备好训练你.

在这个演练中, 我们将使用 MNIST 数据集.

它包含数据集 60.000 用于训练的手写数字图像和 10.000 用于验证的手写数字图像.

我们将训练我们的神经网络 20 季节, 我们将使用一个 批量大小 之 128.

”’

模型.fit(x_train, y_train,
批量大小=128,
时代=20,
验证数据=(x_test, y_test))

”’

帕索 5: 评估模型

一旦我们训练了模型, 我们将评估它在测试数据集上的表现.

该数据集包含 10.000 手写数字 图片.

”’

分数 = 模型。评估(x_test, y_test, 批量大小=128)

”’

分数 返回的是一个包含两个值的列表.

第一个值是 失利 (成本函数) 测试数据集中的模型.

第二个值是 准确性 (准确性) 测试数据集中的模型.

”’

打印(分数)

神经网络的应用

人工神经网络 (安, 人工神经网络) 是一个模型家族 机器学习 根据结构和功能 中枢神经系统 众生的, 特别是 大脑皮层.

神经网络有多种应用。, 最值得注意的是以下:

模式识别

模式识别 它是神经网络最著名的应用之一。. 它是一个可以检测和分类数据集中某些模式的过程。.

模式识别的一些示例是识别图像中的对象, 文档中的语音识别或字符识别.

自然语言处理

自然语言处理 (自然语言处理, 自然语言处理) 是神经网络的另一种应用. 它是一门负责分析的学科, 理解和生成自然语言.

自然语言处理的一些例子是命名实体识别, 情感分析或机器翻译.

异常检测

异常检测 是神经网络的另一种应用. 这是一个可以在数据集中检测异常或异常模式的过程。.

异常检测的一些示例是检测银行交易中的欺诈行为, 检测计算机系统中的入侵者或检测制造过程中的错误.

时间序列预测

时间序列预测 是神经网络的另一种应用. 它是一个过程,通过它可以从以前的值预测时间序列的未来值。.

时间序列预测的一些例子是预测股票市场上的股票价格。, 预测市场对产品的需求或预测城市的能源消耗.

发表评论

您的电子邮件地址不会被公开. 必需的地方已做标记 *

购物车