Python для начинающих

Как работать с многослойными нейронными сетями в Keras

128 views00:05

Как работать с многослойными нейронными сетями в Keras

Если вы только начали свой путь в машинное обучение, рано или поздно вы столкнетесь с искусственными нейронными сетями. Они уже не раз доказали свою мощь, решая задачи от распознавания изображений до генерации текста и даже создания музыки. Однако построение такой сети может показаться сложным на первый взгляд. Сегодня мы разберемся, как быстро и просто создать многослойную нейронную сеть с помощью библиотеки Keras. Обещаю, будет легко и интересно!

---

### Немного о нейронных сетях
Многослойные нейронные сети (или MLP — многослойный персептрон) состоят из нескольких слоев «нейронов», которые соединены друг с другом. Каждый слой обучается распознавать новые паттерны из входных данных, передавая обработанную информацию дальше. Именно это "многослойное" строение позволяет нейросети находить сложные зависимости в данных.

С Keras построение и обучение таких сетей становится детской игрой — библиотека предоставляет удобный и лаконичный синтаксис. И самое крутое, что Keras работает поверх TensorFlow, обеспечивая вам доступ к мощным вычислениям.

---

### Установка Keras
Если Keras у вас еще не установлен, исправить это проще простого. Просто выполните команду:

pip install keras tensorflow

Позже мы будем использовать TensorFlow в связке с Keras, поэтому важно установить обе библиотеки.

---

### Построим первую сеть
Теперь переходим к самому интересному — созданию многослойной нейронной сети для классификации. Представим, что у нас есть датасет с изображениями, и мы хотим определить, к какому классу относится каждое из них.

from keras.models import Sequential
from keras.layers import Dense

# Создаем модель
model = Sequential()

# Добавляем первый скрытый слой (128 нейронов, активация ReLU)
model.add(Dense(128, input_dim=784, activation='relu'))

# Добавляем второй скрытый слой
model.add(Dense(64, activation='relu'))

# Добавляем выходной слой (10 классов, активация softmax)
model.add(Dense(10, activation='softmax'))

# Компилируем модель
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

Вот и все! Мы только что создали трехслойную нейронную сеть. Первый слой (128 нейронов) принимает на вход данные размером 784 (например, изображение 28x28 пикселей). Второй слой упрощает задачу до 64 нейронов, а выходной слой возвращает вероятности для 10 классов.

---

### Немного теории о слоях
- Dense — это плотный полносвязный слой. Здесь каждый нейрон соединяется со всеми нейронами следующего слоя.
- ReLU (Rectified Linear Unit) — функция активации для скрытых слоев. Она "обнуляет" все отрицательные значения, что помогает модели лучше обучаться.
- Softmax — функция активации, которая превращает выходные значения в вероятности, пригодные для классификации.

---

### Обучение модели
После создания сети ее нужно обучить. Для этого используется метод fit. В качестве примера возьмем известный датасет MNIST, содержащий изображения рукописных цифр.

from keras.datasets import mnist
from keras.utils import to_categorical

# Загружаем данные
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# Подготавливаем данные
x_train = x_train.reshape(-1, 784).astype('float32') / 255
x_test = x_test.reshape(-1, 784).astype('float32') / 255
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

# Обучаем модель
model.fit(x_train, y_train, epochs=10, batch_size=32, validation_data=(x_test, y_test))

Здесь мы подгружаем датасет, нормализуем данные (делим все значения на 255, чтобы привести их в диапазон от 0 до 1), а также преобразуем метки в формат one-hot encoding.

---

### Оценка модели
После обучения важно проверить, как хорошо она работает.

loss, accuracy = model.evaluate(x_test, y_test)
print(f"Accuracy: {accuracy * 100:.2f}%")

Поздравляю, вы только что создали и обучили свою первую многослойную нейронную сеть!

167 views00:05