Python でのニューラル ネットワーク アルゴリズムの例
ニューラル ネットワークは人間の神経系をシミュレートする人工知能モデルであり、データ サンプルを学習することでパターンを自動的に識別し、分類、回帰、クラスタリングなどのタスクを実行できます。 。 Python は、学習が簡単で強力な科学計算ライブラリを備えたプログラミング言語として、ニューラル ネットワーク アルゴリズムの開発に優れています。この記事では、Python でのニューラル ネットワーク アルゴリズムの例を紹介します。
Python で一般的に使用されるニューラル ネットワーク ライブラリには、Keras、Tensorflow、PyTorch などが含まれます。Keras ライブラリは Tensorflow に基づいており、プロセスを簡素化できます。そのため、この記事ではニューラル ネットワーク アルゴリズムの開発ツールとして Keras ライブラリを選択します。 Keras ライブラリを使用する前に、バックエンドとして Tensorflow ライブラリをインストールする必要があります。コマンド ラインで次のコマンドを実行して、依存ライブラリをインストールします。
pip install tensorflow pip install keras
ニューラル ネットワークをトレーニングする前に、データを前処理する必要があります。一般的なデータ前処理には、データ正規化、データ欠損値処理、データ特徴抽出などが含まれます。この記事では、デモンストレーションの例としてアヤメ データ セットを使用します。データ セットには 150 レコードが含まれており、各レコードには 4 つの特徴があります: がく片の長さ、がく片の幅、花弁の長さ、花弁の幅、および対応する分類ラベル: アヤメセトサ、アヤメバーシカラー、アイリス・バージニカ。このデータセットでは、すべてのレコードが数値型であるため、データを正規化するだけで済みます。
from sklearn.datasets import load_iris from sklearn.preprocessing import MinMaxScaler import numpy as np # 导入数据集 data = load_iris().data labels = load_iris().target # 归一化数据 scaler = MinMaxScaler() data = scaler.fit_transform(data) # 将标签转化为 one-hot 向量 one_hot_labels = np.zeros((len(labels), 3)) for i in range(len(labels)): one_hot_labels[i, labels[i]] = 1
Keras では、Sequential モデルを使用してニューラル ネットワーク モデルを構築できます。このモデルでは複数の層を追加でき、各層には全結合層、活性化関数層、ドロップアウト層などの特定の役割があります。この例では、2 つの全結合層と 1 つの出力層を使用して、隠れ層のニューロンの数が 4 であるニューラル ネットワーク モデルを構築します。
from keras.models import Sequential from keras.layers import Dense, Dropout from keras.optimizers import Adam # 构建神经网络模型 model = Sequential() model.add(Dense(4, activation='relu')) model.add(Dense(4, activation='relu')) model.add(Dense(3, activation='softmax')) # 配置优化器和损失函数 optimizer = Adam(lr=0.001) model.compile(optimizer=optimizer, loss='categorical_crossentropy', metrics=['accuracy'])
モデルをトレーニングする前に、モデルの精度を評価するためにデータ セットをトレーニング セットとテスト セットに分割する必要があります。 。この例では、データの 80% をトレーニング セットとして使用し、データの 20% をテスト セットとして使用します。トレーニングの際には、トレーニング速度とモデルの精度を制御するために、バッチ サイズや反復回数などのパラメーターを指定する必要があります。
from sklearn.model_selection import train_test_split # 将数据集分为训练集和测试集 train_data, test_data, train_labels, test_labels = train_test_split(data, one_hot_labels, test_size=0.2) # 训练神经网络 model.fit(train_data, train_labels, batch_size=5, epochs=100) # 评估模型 accuracy = model.evaluate(test_data, test_labels)[1] print('准确率:%.2f' % accuracy)
この例の完全なコードは次のとおりです:
from sklearn.datasets import load_iris from sklearn.preprocessing import MinMaxScaler from sklearn.model_selection import train_test_split import numpy as np from keras.models import Sequential from keras.layers import Dense, Dropout from keras.optimizers import Adam # 导入数据集 data = load_iris().data labels = load_iris().target # 归一化数据 scaler = MinMaxScaler() data = scaler.fit_transform(data) # 将标签转化为 one-hot 向量 one_hot_labels = np.zeros((len(labels), 3)) for i in range(len(labels)): one_hot_labels[i, labels[i]] = 1 # 将数据集分为训练集和测试集 train_data, test_data, train_labels, test_labels = train_test_split(data, one_hot_labels, test_size=0.2) # 构建神经网络模型 model = Sequential() model.add(Dense(4, activation='relu')) model.add(Dense(4, activation='relu')) model.add(Dense(3, activation='softmax')) # 配置优化器和损失函数 optimizer = Adam(lr=0.001) model.compile(optimizer=optimizer, loss='categorical_crossentropy', metrics=['accuracy']) # 训练神经网络 model.fit(train_data, train_labels, batch_size=5, epochs=100) # 评估模型 accuracy = model.evaluate(test_data, test_labels)[1] print('准确率:%.2f' % accuracy)
この記事では、Python のニューラル ネットワーク アルゴリズムの例を紹介し、デモンストレーションの例として虹彩データ セットを使用します。実装プロセスでは、ニューラル ネットワーク開発ツールとして Keras ライブラリと Tensorflow ライブラリを使用し、データの正規化には MinMaxScaler ライブラリを使用しました。この例の結果は、ニューラル ネットワーク モデルが 97.22% の精度を達成したことを示し、ニューラル ネットワークの有効性と適用性を証明しています。
以上がPython でのニューラル ネットワーク アルゴリズムの例の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。