Comment utiliser le réseau neuronal artificiel de l'algorithme d'intelligence artificielle Python

Artificial Neural Network

(Artificial Neural Network, ANN) est un modèle mathématique qui imite la structure et la fonction des réseaux de neurones biologiques. Son objectif est de pouvoir effectuer une cartographie non linéaire complexe lors du traitement de données d'entrée inconnues grâce à des relations d'apprentissage et de formation. pour parvenir à une prise de décision intelligente et adaptative. On peut dire que l'ANN est l'algorithme le plus basique et le plus central parmi les algorithmes d'intelligence artificielle.

La structure de base du modèle ANN comprend la couche d'entrée, la couche cachée et la couche de sortie. La couche d'entrée reçoit les données d'entrée, la couche cachée est responsable de la transformation et du traitement des données à plusieurs niveaux et de grande dimension, et la couche de sortie produit les données traitées. Le processus de formation d'ANN consiste à ajuster en permanence les poids de chaque couche du réseau neuronal à travers plusieurs itérations, afin que le réseau neuronal puisse prédire et classer correctement les données d'entrée.

Exemple d'algorithme de réseau de neurones artificiels

Regardons ensuite un exemple simple d'algorithme de réseau de neurones artificiels :

import numpy as np
class NeuralNetwork():
    def __init__(self, layers):
        """
        layers: 数组，包含每个层的神经元数量，例如 [2, 3, 1] 表示 3 层神经网络，第一层 2 个神经元，第二层 3 个神经元，第三层 1 个神经元。
        weights: 数组，包含每个连接的权重矩阵，默认值随机生成。
        biases: 数组，包含每个层的偏差值，默认值为 0。
        """
        self.layers = layers
        self.weights = [np.random.randn(a, b) for a, b in zip(layers[1:], layers[:-1])]
        self.biases = [np.zeros((a, 1)) for a in layers[1:]]
    def sigmoid(self, z):
        """Sigmoid 激活函数."""
        return 1 / (1 + np.exp(-z))
    def forward_propagation(self, a):
        """前向传播."""
        for w, b in zip(self.weights, self.biases):
            z = np.dot(w, a) + b
            a = self.sigmoid(z)
        return a
    def backward_propagation(self, x, y):
        """反向传播."""
        nabla_w = [np.zeros(w.shape) for w in self.weights]
        nabla_b = [np.zeros(b.shape) for b in self.biases]
        a = x
        activations = [x]
        zs = []
        for w, b in zip(self.weights, self.biases):
            z = np.dot(w, a) + b
            zs.append(z)
            a = self.sigmoid(z)
            activations.append(a)
        delta = self.cost_derivative(activations[-1], y) * self.sigmoid_prime(zs[-1])
        nabla_b[-1] = delta
        nabla_w[-1] = np.dot(delta, activations[-2].transpose())
        for l in range(2, len(self.layers)):
            z = zs[-l]
            sp = self.sigmoid_prime(z)
            delta = np.dot(self.weights[-l+1].transpose(), delta) * sp
            nabla_b[-l] = delta
            nabla_w[-l] = np.dot(delta, activations[-l-1].transpose())
        return (nabla_w, nabla_b)
    def train(self, x_train, y_train, epochs, learning_rate):
        """训练网络."""
        for epoch in range(epochs):
            nabla_w = [np.zeros(w.shape) for w in self.weights]
            nabla_b = [np.zeros(b.shape) for b in self.biases]
            for x, y in zip(x_train, y_train):
                delta_nabla_w, delta_nabla_b = self.backward_propagation(np.array([x]).transpose(), np.array([y]).transpose())
                nabla_w = [nw+dnw for nw, dnw in zip(nabla_w, delta_nabla_w)]
                nabla_b = [nb+dnb for nb, dnb in zip(nabla_b, delta_nabla_b)]
            self.weights = [w-(learning_rate/len(x_train))*nw for w, nw in zip(self.weights, nabla_w)]
            self.biases = [b-(learning_rate/len(x_train))*nb for b, nb in zip(self.biases, nabla_b)]
    def predict(self, x_test):
        """预测."""
        y_predictions = []
        for x in x_test:
            y_predictions.append(self.forward_propagation(np.array([x]).transpose())[0][0])
        return y_predictions
    def cost_derivative(self, output_activations, y):
        """损失函数的导数."""
        return output_activations - y
    def sigmoid_prime(self, z):
        """Sigmoid 函数的导数."""
        return self.sigmoid(z) * (1 - self.sigmoid(z))

Utilisez l'exemple de code suivant pour instancier et utiliser cette classe de réseau de neurones simple :

x_train = [[0, 0], [1, 0], [0, 1], [1, 1]]
y_train = [0, 1, 1, 0]
# 创建神经网络
nn = NeuralNetwork([2, 3, 1])
# 训练神经网络
nn.train(x_train, y_train, 10000, 0.1)
# 测试神经网络
x_test = [[0, 0], [1, 0], [0, 1], [1, 1]]
y_test = [0, 1, 1, 0]
y_predictions = nn.predict(x_test)
print("Predictions:", y_predictions)
print("Actual:", y_test)

Résultats de sortie :

Prédictions : [ 0.011602156431658403, 0.9852717774725432, 0.9839448924887225, 0.020026540429992387]
Réel : [0, 1, 1, 0]

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!