使用 Python 中的 TensorFlow 实现神经网络

pythonneural networktensorflow更新于 2024/11/17 0:44:17

神经网络是人工智能领域广泛使用的概念，它基于人脑的结构。神经网络以层为单位工作，最简单的是顺序模型，其中当前层的输入是前一层的输出。

要创建、训练和测试神经网络模型，我们可以使用 Python 中的深度学习框架(如 Tensorflow)。每个神经网络模型都基于几个简单的步骤，例如获取数据、进行预测、比较预测以及最终更改它们以更接近目标。

算法

步骤 1 - 导入 Python 的 numpy 和 pandas 库并将 csv 文件加载为数据框。
步骤 2 - 导入 tensorflow 并将数据拆分为训练集和验证集。
步骤 3 - 预处理和缩放两个集合的数据。
步骤 4 - 将两个集合的数据分成不同的特征。
步骤 5 - 使用 Keras 模块形成线性神经网络模型并为其设置 adam 和 mae 参数。请注意，adam 用作优化器，而 mae 用作预测。
步骤 6 - 根据需要训练数据集尽可能多的时期。这里我们只取 10 个时期。
步骤 7 - 现在使用预测函数来测试我们的模型。在这里，我们将前 4 行作为输入传递以生成结果。
步骤 8 - 将结果与目标值进行比较。如果预测值足够接近实际值，那么我们可以得出结论，该模型运行良好。

示例

在此示例中，我们将从 kaggle 获取糖尿病数据集并为其实现神经网络。虽然我们也可以创建一个多层神经网络模型，但为了简单起见，我们在这里将限制为线性网络。

#步骤 1 - 导入 numpy 和 pandas 并加载数据集
import numpy as np
import pandas as pd
df = pd.read_csv('dataset.csv')
df.head()

#步骤 2 - 导入 tensorflow 并将数据拆分为训练集和验证集
import tensorflow as tf
train_df = df.sample(frac=0.85, random_state=4)
val_df = df.drop(train_df.index)

#步骤 3 - 缩放和预处理数据
max_val = train_df.max(axis= 0)
min_val = train_df.min(axis= 0)
range = max_val - min_val
train_df = (train_df - min_val)/(range)
val_df = (val_df- min_val)/range

#步骤 4 - 将数据分成特征
X_train = train_df.drop('gravity',axis=1)
X_val = val_df.drop('gravity',axis=1)
y_train = train_df['gravity']
y_val = val_df['gravity']
input_shape = [X_train.shape[1]]
input_shape

#步骤 5 - 制作线性神经网络模型并添加参数
model = tf.keras.Sequential([
tf.keras.layers.Dense(units=1,input_shape=input_shape)])
model.summary()
model.compile(optimizer='adam',
loss='mae')

#步骤 6 - 训练历元数据集
losses = model.fit(X_train, y_train,
 
            validation_data=(X_val, y_val),
            batch_size=256,
            epochs=10,  
 
         )

#步骤 7 - 使用预测函数测试模型
model.predict(X_val.iloc[0:4, :])

#步骤 8 - 将结果与目标值进行比较
y_val.iloc[0:4]

我们将数据分成训练集和验证集，并通过计算训练集中的最大值和最小值对数据进行预处理，并将数据标准化为 0 到 1 之间。我们进一步将数据分成特征，并根据特征数量定义输入形状。

然后，我们创建一个线性神经网络模型，并添加一个具有 1 的层，该层表示输出，具有先前定义的输入形状。我们编译并训练模型，并从训练后的模型中获得前 4 行数据的预测。然后，我们将预测值与实际值进行比较以评估性能。

输出

Model: "sequential_1"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 dense_1 (Dense)             (None, 1)                 8         
                                                                 
=================================================================
Total params: 8
Trainable params: 8
Non-trainable params: 0

_________________________________________________________________
Epoch 1/10
1/1 [==============================] - 1s 944ms/step - loss: 0.8678 - val_loss: 1.0600
Epoch 2/10
1/1 [==============================] - 0s 71ms/step - loss: 0.8639 - val_loss: 1.0556
Epoch 3/10
1/1 [==============================] - 0s 63ms/step - loss: 0.8600 - val_loss: 1.0511
Epoch 4/10
1/1 [==============================] - 0s 66ms/step - loss: 0.8561 - val_loss: 1.0467
Epoch 5/10
1/1 [==============================] - 0s 65ms/step - loss: 0.8522 - val_loss: 1.0422
Epoch 6/10
1/1 [==============================] - 0s 66ms/step - loss: 0.8483 - val_loss: 1.0378
Epoch 7/10
1/1 [==============================] - 0s 74ms/step - loss: 0.8444 - val_loss: 1.0334
Epoch 8/10
1/1 [==============================] - 0s 71ms/step - loss: 0.8405 - val_loss: 1.0289
Epoch 9/10
1/1 [==============================] - 0s 74ms/step - loss: 0.8366 - val_loss: 1.0245
Epoch 10/10
1/1 [==============================] - 0s 68ms/step - loss: 0.8327 - val_loss: 1.0200
1/1 [==============================] - 0s 84ms/step

1     0.413793
9     0.551724
36    0.103448
44    0.517241
Name: gravity, dtype: float64