22. diel - Neurónové siete - Implementácia

V minulej lekcii, Neurónové siete – Model a tréning , sme sa venovali praxi - triede Model, tréningu a výstupom.

V tejto lekcii tutoriálu Neurónovej siete - Pokročilé sa konečne dostávame k vytvoreniu našej prvej neurónovej siete. Budeme na to potrebovať dôkladne rozumieť predchádzajúcemu obsahu - aktivačným funkciám, softmaxu, dense vrstve, loss funkciám a optimalizátorom. Tiež musíme vedieť pracovať s gradientmi. Pre úspešné vytvorenie neurónovej siete je nevyhnutné vedieť, ako sa váhy, vrstvy, modely, optimalizátory a straty skladajú dohromady, aby vytvorili výsledný model. To všetko sú základy neurónových sietí, ktoré sa v praxi používajú znova a znova.

Pusťme sa do práce:

import numpy as np
import matplotlib.pyplot as plt
import sklearn.datasets, sklearn.model_selection
from progressbar import progressbar

# load the data
X, y = sklearn.datasets.fetch_openml('mnist_784', version=1, return_X_y=True, as_frame=False)
y, X = y.astype(int), X.reshape(-1, 784)
X[X < 128] = 0
X[X > 0] = 1
train_data, test_data, train_target, test_target = sklearn.model_selection.train_test_split(X, y, test_size=0.3, random_state=47)

V priebehu lekcie si najskôr ukážeme implementáciu, potom si prejdeme formalizáciu, a až na záver sa pozrieme na matematiku na pozadí.

...koniec náhľadu článku...
Pokračuj ďalej