AI với Python â € “Mạng thần kinh


Mạng nơ-ron là các thiết bị tính toán song song là một nỗ lực để tạo ra một mô hình máy tính của bộ não. Mục tiêu chính đằng sau là phát triển một hệ thống để thực hiện các tác vụ tính toán khác nhau nhanh hơn các hệ thống truyền thống. Những nhiệm vụ này bao gồm Nhận dạng và Phân loại Mẫu, Ước tính, Tối ưu hóa và Phân cụm Dữ liệu.

Mạng thần kinh nhân tạo (ANN) là gì

Mạng nơ-ron nhân tạo (ANN) là một hệ thống tính toán hiệu quả có chủ đề trung tâm được vay mượn từ sự tương tự của mạng nơ-ron sinh học. ANN cũng được đặt tên là Hệ thống thần kinh nhân tạo, Hệ thống xử lý phân tán song song và Hệ thống kết nối. ANN có được một tập hợp lớn các đơn vị được kết nối với nhau theo một số kiểu để cho phép liên lạc giữa chúng. Các đơn vị này, còn được gọi là điểm giao hoặc tế bào thần kinhlà những bộ xử lý đơn giản hoạt động song song.

Mỗi tế bào thần kinh được kết nối với tế bào thần kinh khác thông qua một liên kết kết nối. Mỗi liên kết kết nối được liên kết với một trọng số có thông tin về tín hiệu đầu vào. Đây là thông tin hữu ích nhất cho các tế bào thần kinh để giải quyết một vấn đề cụ thể vì trọng lượng thường kích thích hoặc ức chế tín hiệu được truyền đạt. Mỗi tế bào thần kinh đang có trạng thái bên trong của nó được gọi là tín hiệu kích hoạt. Các tín hiệu đầu ra, được tạo ra sau khi kết hợp các tín hiệu đầu vào và quy tắc kích hoạt, có thể được gửi đến các đơn vị khác.

Nếu bạn muốn nghiên cứu chi tiết về mạng nơ-ron thì bạn có thể theo liên kết – Mạng nơ-ron nhân tạo.

Cài đặt các gói hữu ích

Để tạo mạng thần kinh bằng Python, chúng ta có thể sử dụng một gói mạnh mẽ cho mạng thần kinh có tên NeuroLab. Nó là một thư viện các thuật toán mạng nơ-ron cơ bản với các cấu hình mạng linh hoạt và các thuật toán học cho Python. Bạn có thể cài đặt gói này với sự trợ giúp của lệnh sau trên dấu nhắc lệnh:

pip install NeuroLab

Nếu bạn đang sử dụng môi trường Anaconda, hãy sử dụng lệnh sau để cài đặt NeuroLab:

conda install -c labfabulous neurolab

Xây dựng mạng thần kinh

Trong phần này, chúng ta hãy xây dựng một số mạng thần kinh trong Python bằng cách sử dụng gói NeuroLab.

Bộ phân loại dựa trên Perceptron

Perceptron là các khối xây dựng của ANN. Nếu bạn muốn biết thêm về Perceptron, bạn có thể theo liên kết – Artificial_neural_network

Sau đây là thực thi từng bước mã Python để xây dựng một bộ phân loại dựa trên perceptron mạng nơron đơn giản:

Nhập các gói cần thiết như được hiển thị –

import matplotlib.pyplot as plt
import neurolab as nl

Nhập các giá trị đầu vào. Lưu ý rằng đó là một ví dụ về học có giám sát, do đó bạn cũng sẽ phải cung cấp các giá trị mục tiêu.

input = [[0, 0], [0, 1], [1, 0], [1, 1]]
target = [[0], [0], [0], [1]]

Tạo mạng với 2 đầu vào và 1 nơ-ron –

net = nl.net.newp([[0, 1],[0, 1]], 1)

Bây giờ, đào tạo mạng lưới. Ở đây, chúng tôi đang sử dụng quy tắc Delta để đào tạo.

error_progress = net.train(input, target, epochs=100, show=10, lr=0.1)

Bây giờ, hãy hình dung kết quả đầu ra và vẽ biểu đồ –

plt.figure()
plt.plot(error_progress)
plt.xlabel('Number of epochs')
plt.ylabel('Training error')
plt.grid()
plt.show()

Bạn có thể xem biểu đồ sau cho thấy tiến trình đào tạo bằng cách sử dụng số liệu lỗi:

Bộ phân loại dựa trên Perceptron

Mạng nơ ron một lớp

Trong ví dụ này, chúng ta đang tạo một mạng nơ-ron một lớp bao gồm các nơ-ron độc lập hoạt động trên dữ liệu đầu vào để tạo ra đầu ra. Lưu ý rằng chúng tôi đang sử dụng tệp văn bản có tên neural_simple.txt như đầu vào của chúng tôi.

Nhập các gói hữu ích như được hiển thị –

import numpy as np
import matplotlib.pyplot as plt
import neurolab as nl

Tải tập dữ liệu như sau:

input_data = np.loadtxt(“/Users/admin/neural_simple.txt')

Sau đây là dữ liệu chúng tôi sẽ sử dụng. Lưu ý rằng trong dữ liệu này, hai cột đầu tiên là các tính năng và hai cột cuối cùng là nhãn.

array([[2. , 4. , 0. , 0. ],
      [1.5, 3.9, 0. , 0. ],
      [2.2, 4.1, 0. , 0. ],
      [1.9, 4.7, 0. , 0. ],
      [5.4, 2.2, 0. , 1. ],
      [4.3, 7.1, 0. , 1. ],
      [5.8, 4.9, 0. , 1. ],
      [6.5, 3.2, 0. , 1. ],
      [3. , 2. , 1. , 0. ],
      [2.5, 0.5, 1. , 0. ],
      [3.5, 2.1, 1. , 0. ],
      [2.9, 0.3, 1. , 0. ],
      [6.5, 8.3, 1. , 1. ],
      [3.2, 6.2, 1. , 1. ],
      [4.9, 7.8, 1. , 1. ],
      [2.1, 4.8, 1. , 1. ]])

Bây giờ, hãy tách 4 cột này thành 2 cột dữ liệu và 2 nhãn –

data = input_data[:, 0:2]
labels = input_data[:, 2:]

Vẽ đồ thị dữ liệu đầu vào bằng các lệnh sau:

plt.figure()
plt.scatter(data[:,0], data[:,1])
plt.xlabel('Dimension 1')
plt.ylabel('Dimension 2')
plt.title('Input data') 

Bây giờ, hãy xác định các giá trị tối thiểu và tối đa cho mỗi thứ nguyên như được hiển thị ở đây –

dim1_min, dim1_max = data[:,0].min(), data[:,0].max()
dim2_min, dim2_max = data[:,1].min(), data[:,1].max()

Tiếp theo, xác định số lượng tế bào thần kinh trong lớp đầu ra như sau:

nn_output_layer = labels.shape[1]

Bây giờ, hãy xác định mạng nơ-ron một lớp –

dim1 = [dim1_min, dim1_max]
dim2 = [dim2_min, dim2_max]
neural_net = nl.net.newp([dim1, dim2], nn_output_layer)

Huấn luyện mạng nơ-ron với số kỷ nguyên và tốc độ học tập như hình minh họa –

error = neural_net.train(data, labels, epochs = 200, show = 20, lr = 0.01)

Bây giờ, hãy hình dung và vẽ biểu đồ tiến trình đào tạo bằng các lệnh sau:

plt.figure()
plt.plot(error)
plt.xlabel('Number of epochs')
plt.ylabel('Training error')
plt.title('Training error progress')
plt.grid()
plt.show()

Bây giờ, hãy sử dụng điểm dữ liệu thử nghiệm trong bộ phân loại ở trên –

print('\nTest Results:')
data_test = [[1.5, 3.2], [3.6, 1.7], [3.6, 5.7],[1.6, 3.9]] for item in data_test:
   print(item, '-->', neural_net.sim([item])[0])

Bạn có thể tìm thấy kết quả kiểm tra như được hiển thị ở đây –

[1.5, 3.2] --> [1. 0.]
[3.6, 1.7] --> [1. 0.]
[3.6, 5.7] --> [1. 1.]
[1.6, 3.9] --> [1. 0.]

Bạn có thể thấy các đồ thị sau đây là đầu ra của mã được thảo luận cho đến bây giờ –

Mạng nơ ron một lớp

Số kỷ nguyên

Mạng nơ ron nhiều lớp

Trong ví dụ này, chúng tôi đang tạo một mạng nơ-ron nhiều lớp bao gồm nhiều hơn một lớp để trích xuất các mẫu cơ bản trong dữ liệu huấn luyện. Mạng nơ-ron nhiều lớp này sẽ hoạt động giống như một bộ hồi quy. Chúng tôi sẽ tạo một số điểm dữ liệu dựa trên phương trình: y = 2x2+8.

Nhập các gói cần thiết như được hiển thị –

import numpy as np
import matplotlib.pyplot as plt
import neurolab as nl

Tạo một số điểm dữ liệu dựa trên phương trình đã đề cập ở trên –

min_val = -30
max_val = 30
num_points = 160
x = np.linspace(min_val, max_val, num_points)
y = 2 * np.square(x) + 8
y /= np.linalg.norm(y)

Bây giờ, hãy định hình lại tập dữ liệu này như sau:

data = x.reshape(num_points, 1)
labels = y.reshape(num_points, 1)

Hình dung và vẽ biểu đồ tập dữ liệu đầu vào bằng các lệnh sau:

plt.figure()
plt.scatter(data, labels)
plt.xlabel('Dimension 1')
plt.ylabel('Dimension 2')
plt.title('Data-points')

Bây giờ, hãy xây dựng mạng nơ-ron có hai lớp ẩn với neurolab với mười tế bào thần kinh trong lớp ẩn đầu tiên, sáu trong lớp ẩn thứ hai và một trong lớp đầu ra.

neural_net = nl.net.newff([[min_val, max_val]], [10, 6, 1])

Bây giờ hãy sử dụng thuật toán đào tạo gradient –

neural_net.trainf = nl.train.train_gd

Bây giờ đào tạo mạng với mục tiêu học tập trên dữ liệu được tạo ở trên –

error = neural_net.train(data, labels, epochs = 1000, show = 100, goal = 0.01)

Bây giờ, hãy chạy mạng nơ-ron trên các điểm dữ liệu huấn luyện –

output = neural_net.sim(data)
y_pred = output.reshape(num_points)

Bây giờ, nhiệm vụ hình ảnh và âm mưu –

plt.figure()
plt.plot(error)
plt.xlabel('Number of epochs')
plt.ylabel('Error')
plt.title('Training error progress')

Bây giờ chúng ta sẽ vẽ biểu đồ sản lượng thực tế so với dự đoán –

x_dense = np.linspace(min_val, max_val, num_points * 2)
y_dense_pred = neural_net.sim(x_dense.reshape(x_dense.size,1)).reshape(x_dense.size)
plt.figure()
plt.plot(x_dense, y_dense_pred, '-', x, y, '.', x, y_pred, 'p')
plt.title('Actual vs predicted')
plt.show()

Theo kết quả của các lệnh trên, bạn có thể quan sát các biểu đồ như hình dưới đây:

Mạng nơ ron nhiều lớp
Tiến trình lỗi đào tạo
Thực tế so với Dự đoán