מבוא
רשתות עצביות מלאכותיות (ANN) הביאו לשינוי משמעותי בתחום למידת מכונה. הם בעצם מבני רשת המעוצבים על פי המוח האנושי, המשמשים לפתרון משימות מורכבות כמו זיהוי תמונות, תרגום דיבור ועוד. הכוח של ANNs נגיש דרך ספריית Python, Keras. המודל הרציף של Keras קל במיוחד להבנה ויישום, ומציע קודים הניתנים לקריאה על ידי אדם. מאמר זה יתעמק במודל הרציף של Keras ויגלה כיצד להשתמש בספריות ב-ANN.
המפתח לפתיחת ANNs: מודל רצף וספריות של Keras
המודל הרציף של Keras הוא ערימה לינארית של שכבות שבהן אתה יכול להשתמש כדי ליצור רשת עצבית. זה פשוט וזה מושלם למתחילים כי זה מאפשר לך לבנות דגם צעד אחר צעד. עם זאת, זה לא מתאים לארכיטקטורות מורכבות יותר. לדוגמה, הוא אינו תומך בכניסות מרובות או בשכבות משותפות וכן הלאה.
עם Keras, אתה יכול להתחיל ביצירת מודל Sequential ריק ולהוסיף לו שכבות, או שאתה יכול להעביר רשימה של שכבות עם היצירה. הספריות נכנסות לשחק כאשר אתה רוצה לבצע פעולות מסוימות כמו מניפולציה של מטריצה או עיצוב מחדש של נתונים, בין היתר.
from keras.models import Sequential from keras.layers import Dense # Initializing the ANN model = Sequential() # Adding the input layer and the first hidden layer model.add(Dense(16, activation='relu', input_shape=(10,))) # Adding the second hidden layer model.add(Dense(8, activation='relu')) # Adding the output layer model.add(Dense(1, activation='sigmoid'))
זוהי דוגמה פשוטה לאופן שבו אתה יכול להתחיל עם מודל Sequential ריק ולהוסיף לו שכבות.
הרלוונטיות של הספריות
ספריות הן המקום שבו מתגלה הכוח האמיתי של שפת התכנות Python. בעזרת ספריות כמו NumPy ו-pandas, מניפולציה של נתונים ופונקציות מתמטיות הופכות למעודנות וקלות יותר לניהול. ספריות אחרות כמו Scikit-learn משלימות את Keras בבניית ANN על ידי פיצול מערכי נתונים ואספקת מדדים.
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
# Data Preparation
data = pd.read_csv('my_data.csv')
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values
# Splitting the dataset into Training set and Test set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2, random_state = 0)
הספריות בהן נעשה שימוש מייעלות במיוחד את תהליך הכנת הנתונים הדרושים לבניית ה-ANN.
הפעלת עיבוד נתונים עם TensorFlow
ב-Python, TensorFlow מהווה את הבסיס לעבודה עם Keras. זוהי ספרייה חיונית ליצירה והדרכה של ה-ANN שכן היא מספקת את המסגרת לביצוע הרשתות הנוירוניות ברמה גבוהה. תפקידו של TensorFlow הוא להציע יכולת חישוב מספרית באמצעות גרפים של זרימת נתונים בעלי צמתים וקצוות.
בהקשר של מודל Keras Sequential, TensorFlow מסייע בחישוב של פעולות מתמטיות מורכבות המתרחשות בקצה האחורי של המודל.
# Compiling the ANN model.compile(optimizer ='adam',loss='binary_crossentropy', metrics =['accuracy']) # Fitting the ANN to the Training set model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=100, batch_size=32)
זה, בעצם, מייצג את האופן שבו TensorFlow הוא מכריע בתהליך הלמידה של המודל ה-Sequential ב-Keras. תפקידו חיוני בשלבי האופטימיזציה והחישוב של הפונקציות.
האבולוציה של ANNs המופעלים על ידי Python והספריות שלה באמצעות מודל Keras Sequential ממחישה שלב מרגש של למידת מכונה. בחירת הספריות והבנת תפקודן יכולים להשפיע באופן משמעותי על הצלחת המודל. באמצעות המשך תרגול ויישום, האומנות של יצירת מודלים יעילים של ANN באמצעות Keras הופכת לטבע שני למתכנתי פיתון.
