什么是神经网络?
一 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
这 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 和 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 和 优化 我们将要使用的.
这 成本函数 是衡量模型在学习中表现如何的指标。.
这 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 和 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)
”’
这 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
这 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
这 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
这 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
这 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.