Python의 신경망 예제
Python은 과학 컴퓨팅 및 기계 학습과 같은 분야를 포함하여 간단하고 유연한 구문과 강력한 생태계 및 라이브러리로 항상 널리 사용되고 사랑받아 왔습니다. 신경망은 머신러닝 분야에서 중요한 역할을 하며 컴퓨터 비전, 자연어 처리, 추천 시스템 등 다양한 분야에서 사용될 수 있습니다. 이 기사에서는 Python의 신경망을 소개하고 몇 가지 예를 제공합니다.
신경망이란 무엇인가요?
신경망은 동물의 신경계를 시뮬레이션하는 특성을 지닌 딥러닝 모델입니다. 신경망은 여러 뉴런으로 구성됩니다. 각 뉴런은 함수와 동일합니다. 신경망의 입력은 다른 뉴런의 출력이며, 이는 활성화 함수에 의해 처리되어 출력을 생성합니다. 신경망은 역전파 알고리즘을 활용하여 가중치와 편향을 지속적으로 조정하므로 모델이 데이터에 더 잘 적응하고 예측 또는 분류를 수행할 수 있습니다.
TensorFlow
TensorFlow는 신경망 및 기타 기계 학습 알고리즘을 구축하기 위해 Google에서 출시한 인기 있는 딥 러닝 프레임워크입니다. 원래 Google 내부 연구원을 위해 개발된 TensorFlow는 오픈 소스로 공개된 후 빠르게 가장 인기 있는 딥 러닝 프레임워크 중 하나가 되었습니다.
TensorFlow에서는 다음 단계를 사용하여 신경망을 만들 수 있습니다.
- 데이터 세트 준비: 데이터 세트는 훈련 세트와 테스트 세트의 두 부분으로 나누어야 합니다. 훈련 세트는 모델을 훈련하는 데 사용되고, 테스트 세트는 모델의 정확성을 테스트하는 데 사용됩니다.
- 신경망 만들기: Python을 사용하여 신경망을 작성하고 구현할 수 있습니다. TensorFlow API를 사용하여 신경망 모델을 구축할 수 있습니다.
- 모델 학습: 신경망 모델을 학습하여 새 데이터의 출력을 예측합니다. 이는 확률적 경사하강법 알고리즘을 사용하고 역전파를 수행하여 모델의 가중치와 편향을 지속적으로 업데이트함으로써 수행할 수 있습니다.
- 모델 테스트: 테스트 세트를 사용하여 모델을 테스트하여 정확도를 확인합니다. 정밀도, 재현율, F1 점수 등 모델 성능을 평가하기 위해 다양한 측정항목을 사용할 수 있습니다.
이제 TensorFlow를 사용하여 구현한 신경망의 두 가지 예를 소개하겠습니다.
신경망 예제 1: 필기 숫자 인식
손으로 쓴 숫자 인식은 컴퓨터 비전 분야에서 중요한 문제이며, 신경망은 이 문제에 대해 좋은 결과를 얻었습니다. TensorFlow에서는 60,000개의 28x28 회색조 이미지와 해당 라벨이 포함된 MNIST 데이터세트를 사용하여 신경망을 훈련할 수 있습니다.
먼저 TensorFlow 및 NumPy 라이브러리를 설치해야 합니다. 다음은 필기 숫자 인식을 위한 전체 코드입니다.
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) #创建模型 x = tf.placeholder(tf.float32, [None, 784]) W = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10])) y = tf.nn.softmax(tf.matmul(x, W) + b) #定义损失函数和优化器 y_actual = tf.placeholder(tf.float32, [None, 10]) loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_actual, logits=y)) train_step = tf.train.GradientDescentOptimizer(0.01).minimize(loss) #初始化变量 init = tf.global_variables_initializer() #训练模型 sess = tf.Session() sess.run(init) for i in range(1000): batch_xs, batch_ys = mnist.train.next_batch(100) sess.run(train_step, feed_dict={x: batch_xs, y_actual: batch_ys}) #评估模型 correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_actual,1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_actual: mnist.test.labels}))
이 예에서는 먼저 MNIST 데이터 세트를 준비한 다음 784개의 입력과 10개의 출력이 있는 간단한 신경망 모델을 만들었습니다. 다음으로 손실 함수와 최적화 프로그램을 정의하고 훈련용 모델에 훈련 데이터를 공급했습니다. 마지막으로 테스트 데이터에 대한 테스트 평가를 수행하여 92.3%의 정확도를 얻었습니다.
신경망 예 2: 스팸 필터
현재 거의 모든 사람이 메일 시스템을 사용하지만 스팸 문제에 직면해 있습니다. 스팸 필터는 이메일이 스팸인지 여부를 확인하는 프로그램입니다. 스팸 필터를 구축하기 위해 신경망을 사용하는 방법을 살펴보겠습니다.
먼저 스팸 및 스팸이 아닌 것으로 표시된 이메일을 포함하여 스팸 데이터세트를 준비해야 합니다. 스팸 필터를 만들 때 메시지는 스팸이 아닌 메시지와 스팸 메시지라는 두 가지 범주로 분류됩니다.
다음은 스팸 필터의 전체 코드입니다.
import numpy as np import pandas as pd import tensorflow as tf from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score #读取数据集 data = pd.read_csv('spam.csv') data = data.drop(['Unnamed: 2', 'Unnamed: 3', 'Unnamed: 4'], axis=1) #转换标签 data['v1'] = data['v1'].map({'ham': 0, 'spam': 1}) #划分数据集 X_train, X_test, y_train, y_test = train_test_split(data['v2'], data['v1'], test_size=0.33, random_state=42) #创建神经网络模型 max_words = 1000 tokenize = tf.keras.preprocessing.text.Tokenizer(num_words=max_words, char_level=False) tokenize.fit_on_texts(X_train) x_train = tokenize.texts_to_matrix(X_train) x_test = tokenize.texts_to_matrix(X_test) model = tf.keras.models.Sequential() model.add(tf.keras.layers.Dense(512, input_shape=(max_words,), activation='relu')) model.add(tf.keras.layers.Dropout(0.5)) model.add(tf.keras.layers.Dense(256, activation='sigmoid')) model.add(tf.keras.layers.Dropout(0.5)) model.add(tf.keras.layers.Dense(1, activation='sigmoid')) model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) #训练模型 model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test)) #评估模型 y_predict = model.predict(x_test) print("Accuracy:", accuracy_score(y_test, y_predict.round()))
이 예에서는 sklearn의 train_test_split() 메서드를 사용하여 데이터 세트를 나눈 다음 Keras 라이브러리의 텍스트 전처리 도구를 사용하여 데이터 세트를 변환합니다. 행렬(원-핫 인코딩) 다음으로 Sequential을 사용하여 뉴런을 선언하고 매개변수를 설정합니다. 마지막으로 훈련된 모델을 사용하여 테스트 데이터를 예측하고 평가하여 98.02%의 정확도를 얻었습니다.
결론
Python의 신경망은 이미지 인식, 스팸 필터 등과 같은 다양한 애플리케이션에 사용할 수 있는 강력한 기술입니다. TensorFlow를 사용하면 신경망 모델을 쉽게 생성, 학습, 테스트하고 만족스러운 결과를 얻을 수 있습니다. 기계 학습에 대한 사람들의 수요가 증가함에 따라 신경망 기술은 더욱 중요한 도구가 될 것이며 향후 애플리케이션 시나리오에서 더욱 널리 사용될 것입니다.
위 내용은 Python의 신경망 예제의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

핫 AI 도구

Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool
무료로 이미지를 벗다

Clothoff.io
AI 옷 제거제

AI Hentai Generator
AI Hentai를 무료로 생성하십시오.

인기 기사

뜨거운 도구

메모장++7.3.1
사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전
중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기
강력한 PHP 통합 개발 환경

드림위버 CS6
시각적 웹 개발 도구

SublimeText3 Mac 버전
신 수준의 코드 편집 소프트웨어(SublimeText3)

뜨거운 주제











Python과 JavaScript는 커뮤니티, 라이브러리 및 리소스 측면에서 고유 한 장점과 단점이 있습니다. 1) Python 커뮤니티는 친절하고 초보자에게 적합하지만 프론트 엔드 개발 리소스는 JavaScript만큼 풍부하지 않습니다. 2) Python은 데이터 과학 및 기계 학습 라이브러리에서 강력하며 JavaScript는 프론트 엔드 개발 라이브러리 및 프레임 워크에서 더 좋습니다. 3) 둘 다 풍부한 학습 리소스를 가지고 있지만 Python은 공식 문서로 시작하는 데 적합하지만 JavaScript는 MDNWebDocs에서 더 좋습니다. 선택은 프로젝트 요구와 개인적인 이익을 기반으로해야합니다.

vs 코드에서는 다음 단계를 통해 터미널에서 프로그램을 실행할 수 있습니다. 코드를 준비하고 통합 터미널을 열어 코드 디렉토리가 터미널 작업 디렉토리와 일치하는지 확인하십시오. 프로그래밍 언어 (예 : Python의 Python Your_file_name.py)에 따라 실행 명령을 선택하여 성공적으로 실행되는지 여부를 확인하고 오류를 해결하십시오. 디버거를 사용하여 디버깅 효율을 향상시킵니다.

VS 코드는 파이썬을 작성하는 데 사용될 수 있으며 파이썬 애플리케이션을 개발하기에 이상적인 도구가되는 많은 기능을 제공합니다. 사용자는 다음을 수행 할 수 있습니다. Python 확장 기능을 설치하여 코드 완료, 구문 강조 및 디버깅과 같은 기능을 얻습니다. 디버거를 사용하여 코드를 단계별로 추적하고 오류를 찾아 수정하십시오. 버전 제어를 위해 git을 통합합니다. 코드 서식 도구를 사용하여 코드 일관성을 유지하십시오. 라인 도구를 사용하여 잠재적 인 문제를 미리 발견하십시오.

VS 코드 확장은 악의적 인 코드 숨기기, 취약성 악용 및 합법적 인 확장으로 자위하는 등 악성 위험을 초래합니다. 악의적 인 확장을 식별하는 방법에는 게시자 확인, 주석 읽기, 코드 확인 및주의해서 설치가 포함됩니다. 보안 조치에는 보안 인식, 좋은 습관, 정기적 인 업데이트 및 바이러스 백신 소프트웨어도 포함됩니다.

VS 코드는 Windows 8에서 실행될 수 있지만 경험은 크지 않을 수 있습니다. 먼저 시스템이 최신 패치로 업데이트되었는지 확인한 다음 시스템 아키텍처와 일치하는 VS 코드 설치 패키지를 다운로드하여 프롬프트대로 설치하십시오. 설치 후 일부 확장은 Windows 8과 호환되지 않을 수 있으며 대체 확장을 찾거나 가상 시스템에서 새로운 Windows 시스템을 사용해야합니다. 필요한 연장을 설치하여 제대로 작동하는지 확인하십시오. Windows 8에서는 VS 코드가 가능하지만 더 나은 개발 경험과 보안을 위해 새로운 Windows 시스템으로 업그레이드하는 것이 좋습니다.

파이썬은 자동화, 스크립팅 및 작업 관리가 탁월합니다. 1) 자동화 : 파일 백업은 OS 및 Shutil과 같은 표준 라이브러리를 통해 실현됩니다. 2) 스크립트 쓰기 : PSUTIL 라이브러리를 사용하여 시스템 리소스를 모니터링합니다. 3) 작업 관리 : 일정 라이브러리를 사용하여 작업을 예약하십시오. Python의 사용 편의성과 풍부한 라이브러리 지원으로 인해 이러한 영역에서 선호하는 도구가됩니다.

VS Code는 Full Name Visual Studio Code로, Microsoft가 개발 한 무료 및 오픈 소스 크로스 플랫폼 코드 편집기 및 개발 환경입니다. 광범위한 프로그래밍 언어를 지원하고 구문 강조 표시, 코드 자동 완료, 코드 스 니펫 및 스마트 프롬프트를 제공하여 개발 효율성을 향상시킵니다. 풍부한 확장 생태계를 통해 사용자는 디버거, 코드 서식 도구 및 GIT 통합과 같은 특정 요구 및 언어에 확장을 추가 할 수 있습니다. VS 코드에는 코드에서 버그를 신속하게 찾아서 해결하는 데 도움이되는 직관적 인 디버거도 포함되어 있습니다.

VS 코드는 Python을 실행할 수있을뿐만 아니라 Python Extensions를 설치 한 후 Python 파일을 자동으로 식별하고 코드 완료, 구문 강조 표시, 디버깅 및 기타 기능을 제공하는 등 강력한 기능을 제공합니다. 설치된 파이썬 환경에 의존하면 확장은 브리지 연결 편집 및 파이썬 환경 역할을합니다. 디버깅 기능에는 중단 점 설정, 단계별 디버깅, 변수 값보기 및 디버깅 효율 향상이 포함됩니다. 통합 터미널은 단위 테스트 및 패키지 관리와 같은 복잡한 명령을 실행하는 것을 지원합니다. 확장 구성을 지원하고 코드 형식, 분석 및 버전 제어와 같은 기능을 향상시킵니다.
