📜  带有Python的AI –神经网络

📅  最后修改于: 2020-12-11 05:47:23             🧑  作者: Mango


神经网络是试图创建大脑计算机模型的并行计算设备。背后的主要目标是开发一种比传统系统更快地执行各种计算任务的系统。这些任务包括模式识别和分类,近似,优化和数据聚类。

什么是人工神经网络(ANN)

人工神经网络(ANN)是一种高效的计算系统,其中心主题是从生物神经网络的类比中借鉴而来的。人工神经网络也被称为人工神经系统,并行分布式处理系统和连接系统。 ANN获取大量以某种模式互连以允许它们之间进行通信的单元集合。这些单元,也称为节点神经元,是并行运行的简单处理器。

每个神经元通过连接链接与其他神经元连接。每个连接链接与具有有关输入信号信息的权重相关联。这对于神经元解决特定问题是最有用的信息,因为重量通常会激发或抑制正在传达的信号。每个神经元都有其内部状态,称为激活信号。组合输入信号和激活规则后产生的输出信号可以发送到其他单元。

如果要详细研究神经网络,则可以单击链接-人工神经网络

安装有用的软件包

为了在Python创建神经网络,我们可以使用功能强大的神经网络软件包NeuroLab 。它是一个基本的神经网络算法库,具有灵活的网络配置和Python学习算法。您可以在命令提示符下的以下命令的帮助下安装此软件包-

pip install NeuroLab

如果您正在使用Anaconda环境,则使用以下命令安装NeuroLab-

conda install -c labfabulous neurolab

建立神经网络

在本节中,让我们使用NeuroLab软件包在Python构建一些神经网络。

基于感知器的分类器

感知器是人工神经网络的基础。如果您想了解更多有关Perceptron的信息,则可以点击链接-Artificial_neural_network

以下是Python代码的逐步执行,用于构建基于神经网络感知器的简单分类器-

如图所示导入必要的程序包-

import matplotlib.pyplot as plt
import neurolab as nl

输入输入值。请注意,这是监督学习的示例,因此您也必须提供目标值。

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

创建具有2个输入和1个神经元的网络-

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

现在,训练网络。在这里,我们使用Delta规则进行训练。

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

现在,可视化输出并绘制图形-

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

您可以看到下图显示了使用误差指标的训练进度-

基于感知器的分类器

单层神经网络

在此示例中,我们正在创建一个单层神经网络,该网络由作用于输入数据以产生输出的独立神经元组成。请注意,我们正在使用名为Neuro_simple.txt的文本文件作为输入。

导入有用的软件包,如下所示:

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

如下加载数据集-

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

以下是我们将要使用的数据。请注意,在此数据中,前两列是要素,后两列是标签。

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. ]])

现在,将这四列分为2个数据列和2个标签-

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

使用以下命令绘制输入数据-

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

现在,为每个尺寸定义最小值和最大值,如下所示:

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

接下来,如下定义输出层中神经元的数量-

nn_output_layer = labels.shape[1]

现在,定义一个单层神经网络-

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

训练神经网络的时期数和学习率,如图所示-

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

现在,使用以下命令可视化并绘制训练进度图-

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

现在,在上面的分类器中使用测试数据点-

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])

您可以找到测试结果,如下所示-

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

您可以看到以下图形作为到目前为止讨论的代码的输出-

单层神经网络

纪元数

多层神经网络

在此示例中,我们正在创建一个多层神经网络,该网络由一层以上的层组成,以提取训练数据中的基础模式。这种多层神经网络将像回归器一样工作。我们将基于以下公式生成一些数据点:y = 2x 2 +8。

如图所示导入必要的程序包-

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

根据上述方程式生成一些数据点-

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)

现在,按如下所示重塑此数据集:

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

使用以下命令可视化并绘制输入数据集-

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

现在,建立具有两个隐藏层的神经网络,其中Neurolab具有第一个隐藏层中的十个神经元,第二个隐藏层中的六个神经元和一个输出层中的一个神经元。

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

现在使用梯度训练算法-

neural_net.trainf = nl.train.train_gd

现在训练网络,以学习上面生成的数据为目标-

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

现在,在训练数据点上运行神经网络-

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

现在绘图和可视化任务-

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

现在我们将绘制实际输出与预测输出的关系图-

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()

由于上述命令,您可以观察到如下图所示的图形-

多层神经网络训练错误进度实际与预测