Python의 신경망 예제-파이썬 튜토리얼-php.cn

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}))

로그인 후 복사

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()))

로그인 후 복사

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!