AI与Python - 神经网络

神经网络是并行计算设备，它试图建立大脑的计算机模型.其背后的主要目标是开发一种系统，以比传统系统更快地执行各种计算任务.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) )是一个高效的计算系统，其中心主题借鉴了生物神经网络的类比.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获得了大量的单元集合，这些单元以某种模式互连以允许它们之间的通信.这些单元，也称为节点或神经元，是并行操作的简单处理器.

每个神经元都与其他神经元连接神经元通过连接链接.每个连接链路与具有关于输入信号的信息的权重相关联.这是神经元解决特定问题的最有用信息，因为权重通常会激发或抑制正在传达的信号.每个神经元都具有其内部状态，称为激活信号.输入信号和激活规则组合后产生的输出信号可以发送到其他单元.

安装有用的软件包

为了在Python中创建神经网络，我们可以使用一个强大的神经网络包来称为 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使用以下命令安装此软件包 :

pip install NeuroLab

如果您使用的是Anaconda环境，请使用以下命令安装NeuroLab :

conda install -c labfabulous neurolab

构建神经网络

在本节中，让我们使用Python构建一些神经网络NeuroLab包.

基于感知器的分类器

感知器是ANN的构建模块.如果您想了解更多关于Perceptron的信息，可以点击链接 :   artificial_neural_network

以下是逐步执行Python代码以构建简单的神经网络感知器基于分类器 :

导入必要的包，如下所示 :

import matplotlib.pyplot as plt 
import neurolab as nl

输入输入值.请注意，它是监督学习的一个例子，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个神经元和负号的网络;

net = nl.net.newp([[0, 1],[0, 1]], 1)

现在，训练网络.在这里，我们使用Delta规则进行培训.

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()

您可以使用错误指标&minus显示以下图表显示培训进度;

单层神经网络

在这个例子中，我们创建了一个单层神经网络，它由作用于输入数据的独立神经元组成，以产生输出.请注意，我们使用名为 neural_simple.txt 的文本文件作为输入.

导入有用的包，如图所示 :

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

按以下方式加载数据集 :

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，最后两列是标签.

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，将这四列分成2个数据列和2个标签 :

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

绘制输入数据使用以下命令 :

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

现在，定义每个维度的最小值和最大值，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，定义数字输出层中的神经元如下:<

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)

训练神经网络显示和减去的纪元数和学习率;

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

现在，可视化并绘制使用以下命令训练进度 :

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，使用上面分类器中的测试数据点 :

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])

你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.]

您可以看到以下图表作为到目前为止所讨论的代码的输出和减去;

多层神经网络

在这个例子中，我们正在创建一个多层神经网络它由多个层组成，用于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.我们将根据以下公式生成一些数据点:y = 2x ² +8.

导入必要的包，如图所示 :

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

根据上述公式生成一些数据点 :

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，重塑此数据集如下 :

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

可视化并绘制输入数据集使用以下命令 :

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

现在，构建神经元网络有两个隐藏层 neurolab 第一个隐藏层有十个神经元，第二个隐藏层六个 一个在输出层.

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

现在使用渐变训练算法 :

neural_net.trainf = nl.train.train_gd

现在训练网络的目的是学习上面和下面生成的数据;

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

现在，在训练数据上运行神经网络 :

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与预测的输出:

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()

作为上述命令的结果，您可以观察如下所示的图形: