当前位置： 首页 > news >正文

网站建设管理制度落实,制作音乐app,有做网站设计的吗,如何做淘宝联盟网站主在本文中#xff0c;我们将了解单层感知器及其使用 TensorFlow 库在Python中的实现。神经网络的工作方式与我们的生物神经元的工作方式相同。 生物神经元的结构 生物神经元具有三个基本功能 接收外部信号。 处理信号并增强是否需要发送信息。 将信号传递给目标细胞#x…在本文中我们将了解单层感知器及其使用 TensorFlow 库在Python中的实现。神经网络的工作方式与我们的生物神经元的工作方式相同。 生物神经元的结构 生物神经元具有三个基本功能  接收外部信号。 处理信号并增强是否需要发送信息。 将信号传递给目标细胞目标细胞可以是另一个神经元或腺体。
同样神经网络也能发挥作用。 机器学习中的神经网络 什么是单层感知器 它是最古老且最早引入的神经网络之一。它是由弗兰克·罗森布拉特 (Frank Rosenblatt)于1958 年提出的。感知器也称为人工神经网络。感知器主要用于计算AND、OR、NOR等具有二进制输入和二进制输出的逻辑门。 感知器的主要功能是- 从输入层获取输入 对它们进行加权并总结。 将总和传递给非线性函数以产生输出。 单层神经网络 这里的激活函数可以是sigmoid、tanh、relu等任何函数。根据需求我们将选择最合适的非线性激活函数以产生更好的结果。现在让我们实现一个单层感知器。 单层感知器的实现 现在让我们使用 TensorFlow 库使用“MNIST”数据集实现一个单层感知器。 Step1导入必要的库 Numpy – Numpy 数组非常快可以在很短的时间内执行大量计算。 Matplotlib – 该库用于绘制可视化效果。 TensorFlow – 这是一个用于机器学习和人工智能的开源库提供一系列函数以通过单行代码实现复杂的功能。
Python3 import numpy as np import tensorflow as tf from tensorflow import keras import matplotlib.pyplot as plt# 开启内联绘图 %matplotlib inline步骤 2现在使用导入版本的张量流中的“Keras”加载数据集。 Python3 (x_train, y_train), (x_test, y_test) keras.datasets.mnist.load_data()这段代码导入了一些常用的Python库包括NumPy用于数值计算、TensorFlow用于深度学习、Keras用于构建神经网络模型以及Matplotlib用于绘图和数据可视化。通过 %matplotlib inline我们可以在Jupyter Notebook或IPython环境中直接在输出单元格中显示图形而不需要单独的窗口。 这些库的使用使得在进行深度学习和数据可视化任务时更加方便。 步骤 3现在显示数据集中单个图像的形状和图像。图像大小包含28*28的矩阵训练集长度为60,000测试集长度为10,000。 Python3

获取训练集的长度

len(x_train)# 获取测试集的长度 len(x_test)# 获取第一个训练图像的形状 x_train[0].shape# 显示第一个训练图像 plt.matshow(x_train[0]) 这段代码执行以下操作 len(x_train) 返回训练集中样本的数量。len(x_test) 返回测试集中样本的数量。x_train[0].shape 获取第一个训练图像的形状通常是一个28x28像素的二维数组。plt.matshow(x_train[0]) 用Matplotlib库显示第一个训练图像可以通过该图像来查看手写数字的外观。 这些操作有助于了解MNIST数据集的规模和内容并可以用于数据预处理和可视化。 输出 来自训练数据集的样本图像 步骤 4现在标准化数据集以便快速准确地进行计算。 Python3

对数据集进行标准化

x_train x_train / 255 x_test x_test / 255# 扁平化数据集以便进行模型构建 x_train_flatten x_train.reshape(len(x_train), 28*28) x_test_flatten x_test.reshape(len(x_test), 28*28)这段代码执行以下操作 对训练集 x_train 和测试集 x_test 进行标准化将像素值从0到255的范围缩放到0到1的范围这是一种常见的数据预处理步骤。 扁平化数据集将每个图像从一个二维数组28x28像素转换为一个一维数组784个像素以便于后续的模型构建。这是因为深度学习模型通常需要输入的是一维数据。 这些操作是为了准备数据以用于深度学习模型的训练以便更好地处理图像数据。 第5步构建具有单层感知的神经网络。在这里我们可以观察到该模型是一个单层感知器仅包含一个输入层和一个输出层不存在隐藏层。   Python3 model keras.Sequential([keras.layers.Dense(10, input_shape(784,), activationsigmoid) ])model.compile(optimizeradam,losssparse_categorical_crossentropy,metrics[accuracy] )model.fit(x_train_flatten, y_train, epochs5)这段代码执行以下操作 创建一个Keras顺序模型该模型包含一个具有10个神经元的全连接层keras.layers.Dense输入形状为(784,)激活函数为sigmoid。这是一个简单的神经网络模型。 编译模型指定优化器为adam损失函数为sparse_categorical_crossentropy适用于多类别分类问题并选择评估指标为accuracy准确度。 使用训练数据 x_train_flatten 和相应的标签 y_train 对模型进行训练训练周期数为5epochs5。 这些操作构建了一个简单的神经网络模型并使用训练数据对其进行了训练以便用于多类别分类任务例如手写数字识别。 输出 在训练过程中通常会产生一系列的训练日志包括损失和准确度等信息。这些信息会在训练的每个周期epoch后显示。由于这些信息的输出取决于您的运行环境我无法提供确切的训练输出。您可以将代码放入一个Jupyter Notebook或Python脚本中运行以查看详细的训练输出。 通常您可以期望在每个周期的训练输出中看到损失值和准确度的变化以便跟踪模型的训练进展。当训练完成后您可以使用模型进行预测并评估其性能例如在测试数据上计算准确度。这些步骤通常会在训练后的代码中进行。如果您有特定的输出或问题可以提供更多详细信息以便我能够提供更具体的帮助。 步骤6输出模型在测试数据上的准确率。 Python3 model.evaluate(x_test_flatten, y_test)这段代码执行了模型的评估操作使用测试数据 x_test_flatten 和相应的测试标签 y_test 来计算模型在测试数据上的性能指标。这些性能指标通常包括损失值和准确度等用于衡量模型在测试数据上的表现。评估的结果将根据模型的性能和测试数据而异通常以一个包含指标值的列表返回。 输出 [损失值, 准确度]损失值 表示模型在测试数据上的损失值通常是一个非负数表示模型对测试数据的拟合程度。准确度 表示模型在测试数据上的准确度通常以百分比形式表示表示模型在测试数据中正确分类的比例。 具体的数值将根据模型的训练和测试数据集而有所不同。您可以运行这段代码以查看实际的输出结果以便了解模型在测试数据上的性能。