Sobota , 12 Červenec 2025
Domů Programování Neuronová síť s TensorFlow Keras
ProgramováníPythonStrojové učeníUmělá inteligence

Neuronová síť s TensorFlow Keras

blank
blank

Představme si, že chceme naučit neuronovou síť řešit XOR problém. XOR je logická operace, která má následující pravdivostní tabulku:

A | B | Výstup

0 | 0 | 0

0 | 1 | 1

1 | 0 | 1

1 | 1 | 0

Postup:

  1. Importování knihoven:
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import numpy as np
  1. Vytvoření neuronové sítě:
model = Sequential()
model.add(Dense(2, input_dim=2, activation='relu')) # skrytá vrstva s 2 neurony a ReLU aktivační funkcí
model.add(Dense(1, activation='sigmoid')) # výstupní vrstva s 1 neuronem a sigmoid aktivační funkcí
  1. Kompilace modelu:
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
  1. Vytvoření datasetu pro trénink:
# Vstupní data
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=float)

# Očekávané výstupy
Y = np.array([0, 1, 1, 0], dtype=float)
  1. Trénování neuronové sítě:
model.fit(X, Y, epochs=500, verbose=0) # Počet epoch tréninku: 500
  1. Testování naučené neuronové sítě na vstupních datech:
print(model.predict(X).round())

V tomto příkladě jsme vytvořili jednoduchou neuronovou síť s jednou skrytou vrstvou, která řeší XOR problém. Neuronová síť má 2 neurony ve skryté vrstvě s ReLU aktivační funkcí a 1 neuron výstupní vrstvy s sigmoid aktivační funkcí. Pro trénink neuronové sítě jsme použili dataset obsahující čtyři vzory pro všechny možné kombinace vstupních hodnot. Poté, co jsme neuronovou síť natrénovali, jsme ji otestovali na vstupních datech a zkontrolovali, zda správně předpovídá výstupy pro XOR problém.

A jak lze vyzkoušet funkci programu?

Pokud chcete otestovat funkčnost kódu, budete muset nainstalovat knihovnu TensorFlow do vašeho prostředí Pythonu. Jestliže používáte Jupyter Notebook, můžete následovat tyto kroky:

  1. Otevřete nový notebook v Jupyteru.
  2. Zkopírujte a vložte každý kódový blok z mého předchozího příspěvku do nové buňky v notebooku. Každý blok by měl být ve své vlastní buňce, aby mohl být spuštěn samostatně.
  3. Spusťte buňky postupně, od první až do poslední.

Pokud ještě nemáte nainstalovaný TensorFlow, můžete jej nainstalovat přímo z Jupyter Notebooku spuštěním následujícího příkazu v nové buňce:

!pip install tensorflow

Pokud pracujete v jiném prostředí (jako je PyCharm, Atom, atd.), měl by postup být podobný, ale instalace TensorFlowu může vyžadovat použití příkazové řádky nebo konzole daného prostředí.

Výsledkem bude natrénovaná neuronová síť, která je schopna řešit XOR problém. Poslední buňka v notebooku by měla vytisknout předpovědi modelu na tréninkové data, které by měly odpovídat očekávaným výstupům XOR problému ([0, 1, 1, 0]). Výsledek může být mírně odlišný v závislosti na náhodné inicializaci modelu a jeho tréninkového procesu, takže pokud nevidíte očekávaný výsledek, zkuste model znovu natrénovat.

A zde je již ukázka celého programu včetně výstupu ve vývojovém prostředí PyCharm:

blank

Zanechte komentář

Napsat komentář

Související články

blank
Umělá inteligence

Constella

Co je Constella aplikace? Akční položky Poznámky

blank
Programování

Windows program pro výuku jazyků

🧠 Program pro výuku jazyků: Vaše interaktivní cesta k ovládnutí slovíček 📝...

blank
Umělá inteligence

Umělá inteligence AI pro udržitelnou energii

🌱 Úvod Umělá inteligence (AI) se stává klíčovým nástrojem pro řízení a...

blank
Umělá inteligence

AI v moderním vzdělávání

Umělá inteligence (AI) proniká do škol a online kurzů rychleji než kdy...

blank
×
Avatar
PetrPikora.com
AI Chatbot
Ahoj! Jak vám mohu pomoci?
 

Používáním tohoto chatbota souhlasíte se shromažďováním a používáním vašich dat, jak je uvedeno v našich Zásadách ochrany osobních údajů. Vaše údaje budou použity pouze jako pomoc s vaším dotazem.