Nahazo laza be ny Artificial Intelligence (AI) tato anatin'ny taona vitsivitsy.
Raha injeniera rindrankajy ianao, mpahay siansa informatika, na tia siansa momba ny angona amin'ny ankapobeny, dia mety ho liana amin'ny fampiharana mahatalanjona amin'ny fanodinana sary, ny famantarana ny lamina ary ny fitadiavana zavatra nomen'ity sehatra ity ianao.
Ny sehatra lehibe indrindra amin'ny AI izay henonao angamba dia ny Deep Learning. Ity sehatra ity dia mifantoka amin'ny algorithm mahery vaika (torolalana amin'ny programa informatika) natao modely amin'ny fiasan'ny atidohan'olombelona fantatra amin'ny anarana hoe Networks Neural.
Ato amin'ity lahatsoratra ity, isika dia hijery ny foto-kevitry ny Neural Networks sy ny fomba hananganana, hanangonana, hampifanaraka ary hanombana ireo modely ireo amin'ny fampiasana. Python.
Networks Neural
Ny tambajotra neural, na NNs, dia andiana algorithm nalaina tahaka ny hetsika biolojikan'ny atidohan'olombelona. Ny tambajotra neural dia misy nodes, antsoina koa hoe neurons.
Ny fitambaran'ny nodes mitsangana dia fantatra amin'ny hoe sosona. Ny modely dia misy fampidirana iray, fivoahana iray, ary sosona miafina maromaro. Ny sosona tsirairay dia misy nodes, antsoina koa hoe neurons, izay misy ny kajy.
Amin'ity kisary manaraka ity, ny faribolana dia maneho ny nodes ary ny fanangonana mitsangana ny nodes dia maneho ny sosona. Misy sosona telo amin'ity modely ity.
Ny nodes amin'ny sosona iray dia mifandray amin'ny sosona manaraka amin'ny alalan'ny tsipika fampitana toy ny hita etsy ambany.
Ny angon-drakitra misy anay dia misy angon-drakitra misy marika. Midika izany fa nomena sanda anarana iray ny sampan-draharaha tsirairay.
Noho izany ho an'ny angona fanasokajiana biby dia hanana sarin'ny saka sy alika ho angonay izahay, miaraka amin'ny 'saka' sy 'alika' ho marika.
Zava-dehibe ny manamarika fa ny etikety dia mila avadika ho soatoavina isa ho an'ny modely ananantsika mba hahatonga azy ireo hahatsapa azy ireo, ka ny etikety biby dia lasa '0' ho an'ny saka ary '1' ho an'ny alika. Na ny angona sy ny etikety dia mandalo amin'ny modely.
fianarana
Ny angon-drakitra dia omena amin'ny singa modely iray isaky ny mandeha. Ity angona ity dia rava ho tapatapaka ary mandalo amin'ny node tsirairay amin'ny modely. Ny nodes dia manao asa matematika amin'ireo sombiny ireo.
Tsy mila mahafantatra ny asa na kajy matematika ho an'ity fampianarana ity ianao, fa zava-dehibe ny fananana hevitra ankapobeny momba ny fomba fiasan'ireo modely ireo. Aorian'ny kajikajy maromaro amin'ny sosona iray dia alefa any amin'ny sosona manaraka ny angona sy ny sisa.
Rehefa vita dia maminavina ny mari-pamantarana angon-drakitra eo amin'ny sosona mivoaka ny maodely (ohatra, amin'ny olana fanasokajiana biby dia mahazo vinavina '0' ho an'ny saka).
Ny modely avy eo dia miroso amin'ny fampitahana io sanda voavinavina io amin'ny an'ny tena sanda marika.
Raha mifanandrify ny soatoavina dia handray ny fampidirana manaraka ny maodetsika fa raha tsy mitovy ny soatoavina dia kajy ny fahasamihafan'ny sanda roa ny maodely, antsoina hoe fatiantoka, ary hanitsy ny kajy node hamokatra etikety mifanentana amin'ny manaraka.
Rafitra fianarana lalina
Mba hamoronana Networks Neural amin'ny kaody dia mila manafatra isika Rafitra fianarana lalina fantatra amin'ny anarana hoe tranomboky mampiasa ny Integrated Development Environment (IDE).
Ireo rafitra ireo dia fitambarana asa efa nosoratana mialoha izay hanampy antsika amin'ity fampianarana ity. Hampiasa ny rafitra Keras izahay hananganana ny modely.
Keras dia tranomboky Python izay mampiasa fianarana lalina sy faharanitan-tsaina artifisialy antsoina hoe fikorianan'ny tensor mba hamoronana NN amin'ny endrika modely misesy tsotra amin'ny mora.
Keras koa dia tonga miaraka amin'ireo modely efa misy azy izay azo ampiasaina koa. Ho an'ity lesona ity dia hamorona modely manokana amin'ny fampiasana Keras izahay.
Azonao atao ny mianatra bebe kokoa momba ity rafitra fianarana lalina ity avy amin'ny Tranonkala Keras.
Fananganana tambajotra neural (fampianarana)
Andao hiroso amin'ny fananganana Tambajotra Neural mampiasa Python.
Fanambarana momba ny olana
Ny tambajotra neural dia karazana vahaolana amin'ny olana mifototra amin'ny AI. Ho an'ity lesona ity dia handeha amin'ny Pima Indians Diabetes Data izahay, izay misy Eto.
ICU Ny Machine Learning dia nanangona ity angona ity ary misy firaketana ara-pitsaboana momba ny marary indiana. Ny modely ataontsika dia tsy maintsy maminavina raha voan'ny diabeta ny marary ao anatin'ny 5 taona na tsia.
Loading Dataset
Ny angon-drakitray dia rakitra CSV tokana antsoina hoe 'diabetes.csv' izay mora amboarina amin'ny alàlan'ny Microsoft Excel.
Alohan'ny hamoronana ny modely dia mila manafatra ny angonay izahay. Azonao atao ny mampiasa ity code manaraka ity:
manafatra panda toy ny pd
data = pd.read_csv('diabetes.csv')
x = data.drop("Vokatra")
y = data ["Vokatra"]
Eto izahay dia mampiasa ny pandas trano famakiam-boky afaka manodikodina ny angon-drakitra fisie CSV, read_csv() dia fiasa namboarina an'ny Pandas izay ahafahantsika mitahiry ny soatoavina ao amin'ny rakitray amin'ny faribolana antsoina hoe 'data'.
Ny fari-piadidiana x dia ahitana ny angonay tsy misy angona vokatra (labels). Manao izany isika amin'ny fiasan'ny data.drop() izay manala ny etikety ho an'ny x, fa ny y kosa tsy misy afa-tsy ny angona vokatra (label).
Manorina Modely Sequential
Dingana 1: Manafatra tranomboky
Voalohany, mila manafatra TensorFlow sy Keras isika, miaraka amin'ny masontsivana sasany ilaina amin'ny modely. Ity code manaraka ity dia mamela antsika hanao izany:
manafatra tensorflow ho tf
avy amin'ny tensorflow import keras
avy amin'ny tensorflow.keras.models manafatra Sequential
avy amin'ny tensorflow.keras.layers import Activation, Dense
avy amin'ny tensorflow.keras.optimizers manafatra Adam
avy amin'ny tensorflow.keras.metrics import categorical_crossentropy
Ho an'ny modely misy anay dia manafatra sosona matevina izahay. Ireo dia sosona mifandray tanteraka; izany hoe, ny node tsirairay ao anaty sosona iray dia mifamatotra tanteraka amin'ny node iray hafa amin'ny sosona manaraka.
Manafatra an fampahavitrihana fampiasa ilaina amin'ny fanamafisam-peo ny angona alefa any amin'ny nodes. Optimizers nafarana ihany koa mba hampihenana ny fatiantoka.
Adam dia optimizer malaza izay mahatonga ny kajy node fanavaozana modely amin'ny fomba mahomby kokoa, miaraka amin'ny categorical_crossentropy izay ny karazana fiasan'ny fatiantoka (manisa ny fahasamihafana misy eo amin'ny sandan'ny mari-pamantarana vinavinaina) izay hampiasainay.
Dingana 2: Mamolavola ny Modely
Ny modely noforoniko dia manana fidirana iray (miaraka amin'ny singa 16), ny iray miafina (miaraka amin'ny singa 32) ary ny vokatra iray (miaraka amin'ny singa 2). Tsy raikitra ireo isa ireo ary hiankina tanteraka amin'ny olana nomena.
Ny fametrahana ny isan'ny singa sy sosona mety dia dingana azo hatsaraina amin'ny alàlan'ny fanazaran-tena. Ny fampahavitrihana dia mifanandrify amin'ny karazana scaling hataontsika amin'ny angonay alohan'ny handefasana azy amin'ny node.
Relu sy Softmax dia asa fampahavitrihana malaza amin'ity asa ity.
modely = Sequential([
Dense(unit = 16, input_shape = (1,), activation = 'relu'),
Dense(unit = 32, activation = 'relu'),
Dense(unit = 2, activation = 'softmax')
])
Toy izao ny endriky ny famintinana ny modely:
Fampiofanana ny Modely
Ny modely ataontsika dia hofanina amin'ny dingana roa, ny voalohany dia ny fanangonana ny maodely (fampiarahana ny modely) ary ny manaraka dia ny fametrahana ny modely amin'ny angona nomena.
Izany dia azo atao amin'ny fampiasana ny model.compile() asa arahin'ny model.fit() asa.
model.compile(optimizer = Adam(hafa_fianarana = 0.0001), very = 'binary_crossentropy', metrika = ['accuracy'])
model.fit(x, y, vanim-potoana = 30, habe_ambony = 10)
Ny famaritana ny mari-pamantarana 'accuracy' dia ahafahantsika mijery ny fahamarinan'ny modely ataontsika mandritra ny fiofanana.
Satria ny etikety dia miendrika 1's sy 0's, dia hampiasa asa fatiantoka binary isika hanisa ny fahasamihafana misy eo amin'ny etikety tena izy sy vinavinaina.
Ny angon-drakitra dia zaraina ho andiany 10 (batch_size) ary handalo in-30 amin'ny modely (epochs). Ho an'ny angon-drakitra nomena, x dia ny angona ary y ny etikety mifanaraka amin'ny angona.
Modely fitsapana amin'ny fampiasana faminaniana
Mba hanombanana ny maodely, dia manao vinavina amin'ny angona fitsapana amin'ny fampiasana ny predict() function.
faminaniana = model. maminany(x)
Ary izany no izy!
Tokony hanana fahatakarana tsara momba ny Deep Learning fampiharana, Networks Neural, ny fomba fiasan'izy ireo amin'ny ankapobeny sy ny fomba fananganana, fanofanana ary fitsapana modely amin'ny code Python.
Manantena aho fa ity torolalana ity dia hanome anao ny kickstart hamoronana sy hametraka ny modely Deep Learning anao manokana.
Ampahafantaro anay ao amin'ny fanehoan-kevitra raha nanampy ilay lahatsoratra.
Leave a Reply