Создаем свою первую нейросеть на Python

Опубликовано: 20 октября 2023 | Автор: Иван Иванов

В этой статье мы создадим простую нейронную сеть для классификации рукописных цифр с использованием библиотек TensorFlow и Keras. Этот пример отлично подходит для начинающих.

Шаг 1: Установка библиотек

Для начала установим необходимые библиотеки. Если у вас их нет, выполните следующие команды:

pip install tensorflow numpy matplotlib

Шаг 2: Импорт библиотек

Импортируем необходимые модули:

import tensorflow as tf
from tensorflow.keras import layers, models
import numpy as np
import matplotlib.pyplot as plt

Шаг 3: Загрузка данных

Используем набор данных MNIST, который содержит изображения рукописных цифр:

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

# Нормализация данных
x_train = x_train / 255.0
x_test = x_test / 255.0

Шаг 4: Создание модели

Создадим простую полносвязную нейронную сеть:

model = models.Sequential([
    layers.Flatten(input_shape=(28, 28)),  # Преобразуем изображение 28x28 в вектор
    layers.Dense(128, activation='relu'),  # Полносвязный слой с 128 нейронами
    layers.Dense(10, activation='softmax') # Выходной слой с 10 нейронами (по одному на каждую цифру)
])

Шаг 5: Компиляция модели

Компилируем модель, указав оптимизатор, функцию потерь и метрики:

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

Шаг 6: Обучение модели

Обучим модель на тренировочных данных:

model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test))

Шаг 7: Оценка модели

Проверим точность модели на тестовых данных:

test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Точность на тестовых данных: {test_acc:.4f}")

Шаг 8: Визуализация результатов

Визуализируем несколько примеров и предсказаний модели:

predictions = model.predict(x_test)

plt.figure(figsize=(10, 10))
for i in range(25):
    plt.subplot(5, 5, i+1)
    plt.imshow(x_test[i], cmap='gray')
    plt.title(f"Предсказано: {np.argmax(predictions[i])}")
    plt.axis('off')
plt.show()

Заключение

Мы создали простую нейронную сеть для классификации рукописных цифр. Этот пример демонстрирует базовые шаги для работы с нейронными сетями. Вы можете экспериментировать с архитектурой сети, добавлять слои и изменять параметры для улучшения результатов.