Python의 신경망 알고리즘 예

Python의 신경망 알고리즘 예제

신경망은 인간의 신경계를 시뮬레이션하는 인공 지능 모델로, 데이터 샘플을 학습하여 패턴을 자동으로 식별하고 분류, 회귀, 클러스터링 등의 작업을 수행할 수 있습니다. 배우기 쉽고 강력한 과학 컴퓨팅 라이브러리를 갖춘 프로그래밍 언어인 Python은 신경망 알고리즘 개발에 탁월합니다. 이 기사에서는 Python의 신경망 알고리즘의 예를 소개합니다.

1. 관련 라이브러리 설치

Python에서 일반적으로 사용되는 신경망 라이브러리에는 Keras, Tensorflow, PyTorch 등이 있습니다. Keras 라이브러리는 Tensorflow를 기반으로 하며 신경망 구성 프로세스를 단순화할 수 있으므로 이 기사에서는 Keras를 선택합니다. 신경망 알고리즘 개발 도구로 사용되는 라이브러리입니다. Keras 라이브러리를 사용하기 전에 Tensorflow 라이브러리를 백엔드로 설치해야 합니다. 명령줄에서 다음 명령을 실행하여 종속 라이브러리를 설치합니다.

pip install tensorflow
pip install keras

2. Dataset preprocessing

신경망을 훈련하기 전에 데이터를 전처리해야 합니다. 공통 데이터 전처리에는 데이터 정규화, 데이터 결측값 처리, 데이터 특징 추출 등이 포함됩니다. 이 기사에서는 예시를 위해 iris 데이터 세트를 사용합니다. 데이터 세트에는 150개의 레코드가 포함되어 있으며 각 레코드에는 꽃받침 길이, 꽃받침 너비, 꽃잎 길이, 꽃잎 너비 및 해당 분류 레이블인 Iris Setosa, Iris의 4가지 기능이 있습니다. 버시컬러, 아이리스 버지니카. 이 데이터 세트에서는 모든 레코드가 숫자 유형이므로 데이터를 정규화하기만 하면 됩니다.

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

3. 신경망 모델 구축

Keras에서는 Sequential 모델을 사용하여 신경망 모델을 구축할 수 있습니다. 이 모델에서는 여러 레이어를 추가할 수 있으며, 각 레이어는 완전 연결 레이어, 활성화 함수 레이어, 드롭아웃 레이어 등과 같은 특정 역할을 갖습니다. 이 예에서는 2개의 완전 연결 레이어와 1개의 출력 레이어를 사용하여 신경망 모델을 구축합니다. 여기서 은닉 레이어의 뉴런 수는 4입니다.

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'])

4. 모델 교육

모델을 교육하기 전에 모델의 정확성을 평가하기 위해 데이터 세트를 교육 세트와 테스트 세트로 나누어야 합니다. 이 예에서는 데이터의 80%를 훈련 세트로 사용하고 데이터의 20%를 테스트 세트로 사용합니다. 훈련할 때 훈련 속도와 모델 정확도를 제어하기 위해 배치 크기, 반복 횟수와 같은 매개변수를 지정해야 합니다.

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)

5. 예제의 전체 코드

이 예의 전체 코드는 다음과 같습니다.

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)

6. 결론

이 기사에서는 Python의 신경망 알고리즘의 예를 소개하고 붓꽃 데이터 세트를 예로 사용합니다. 시연용. 구현 과정에서 신경망 개발 도구로 Keras 라이브러리와 Tensorflow 라이브러리를 사용했고, 데이터를 정규화하기 위해 MinMaxScaler 라이브러리를 사용했습니다. 이 예시의 결과는 우리의 신경망 모델이 97.22%의 정확도를 달성하여 신경망의 효율성과 적용 가능성을 입증했습니다.

위 내용은 Python의 신경망 알고리즘 예의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!