СОЗДАНИЕ ПРОСТОЙ НЕЙРОННОЙ СЕТИ НА ЯЗЫКЕ ПРОГРАММИРОВАНИЯ PYTHON

Икромов Хусан Холмахаматович,
Андижанский машиностроительный институт

Аннотация. В данной статье рассматриваются основы нейронных сетей и процесс их создания с помощью языка программирования Python. Описаны ключевые компоненты нейронной сети: нейроны, слои, веса и функции активации. Подробно объясняется, как работает нейронная сеть, включая этапы прямого и обратного распространения. Статья предоставляет пошаговое руководство по созданию простой нейронной сети с использованием библиотеки Keras (часть TensorFlow), от установки библиотек и подготовки данных до компиляции модели, её обучения и оценки. Пример описывает задачу бинарной классификации с использованием полносвязной нейронной сети, что позволяет читателям понять основные принципы создания и применения нейросетей в реальных задачах.

Ключевые слова. Нейронная сеть, Python, Keras, TensorFlow, машинное обучение, слои, нейроны, функция активации, бинарная классификация, полносвязная сеть, обратное распространение, оптимизация, Adam, ReLU, сигмоида.

Нейронная сеть — это вычислительная модель, вдохновленная биологической нервной системой, в частности, мозгом. Она состоит из искусственных нейронов, которые соединены друг с другом слоями. Цель нейронной сети — научиться находить скрытые зависимости в данных и применять эти знания для решения задач, таких как классификация, регрессия или распознавание образов.

Основные компоненты нейронной сети:

1. Нейроны. Единичные вычислительные элементы, которые получают несколько входных сигналов, обрабатывают их и передают выходной сигнал.
2. Слои. Нейроны группируются в слои:
• Входной слой. Получает данные, которые поступают в сеть.
• Скрытые слои. Обрабатывают данные на основе весов и функции активации.
• Выходной слой. Возвращает итоговый результат.
3. Вес. Коэффициенты, которые определяют важность каждого входного сигнала.
4. Функция активации. Определяет, будет ли нейрон активен (выдаст ли он сигнал). Примеры функций активации — ReLU, сигмоида и tanh.

Процесс работы нейронной сети:

• Прямое распространение. Входные данные проходят через сеть от входного слоя к выходному, и на каждом шаге они обрабатываются нейронами с применением весов и функций активации.
• Обратное распространение. После получения результата сеть сравнивает его с правильным ответом и с помощью оптимизатора (например, Adam) корректирует веса так, чтобы уменьшить ошибку в следующий раз.

Пример создания простой нейронной сети на Python

Для создания простой нейронной сети на Python можно использовать библиотеку Keras, которая является частью TensorFlow. Вот пример простой нейронной сети для задачи классификации:

Шаг 1: Установка TensorFlow

Для начала установим библиотеку TensorFlow (если она еще не установлена):

pip install tensorflow

Шаг 2: Импорт библиотек

import tensorflow as tf

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Dense

import numpy as np

Шаг 3: Подготовка данных

Создадим фиктивные данные для примера. Допустим, мы хотим решить задачу бинарной классификации:

# Генерируем данные

X = np.random.rand(1000, 10)  # 1000 примеров, каждый с 10 признаками

y = np.random.randint(2, size=(1000, 1))  # 1000 меток, по одной на каждый пример (0 или 1)

Шаг 4: Создание нейронной сети

Создадим простую сеть с двумя скрытыми слоями и одним выходным слоем:

# Инициализируем последовательную модель

model = Sequential()

# Добавляем первый скрытый слой: 32 нейрона, функция активации ReLU

model.add(Dense(32, activation='relu', input_shape=(10,)))  # Входной слой ожидает 10 признаков

# Добавляем второй скрытый слой: 16 нейронов, функция активации ReLU

model.add(Dense(16, activation='relu'))

# Добавляем выходной слой: 1 нейрон, функция активации сигмоида для бинарной классификации

model.add(Dense(1, activation='sigmoid'))

Шаг 5: Компиляция модели

Скомпилируем модель, указав функцию потерь и оптимизатор:

model.compile(optimizer='adam',

              loss='binary_crossentropy',

              metrics=['accuracy'])

Шаг 6: Обучение модели

Обучим модель на наших данных:

model.fit(X, y, epochs=10, batch_size=32)

Шаг 7: Оценка модели

После обучения можно оценить качество модели:

python

Копировать код

test_loss, test_acc = model.evaluate(X, y)

print(f'Точность на тестовых данных: {test_acc}')

Как это работает?

1. Sequential модель — это линейная модель, где слои идут друг за другом.
2. Dense слой — это полносвязный слой, в котором каждый нейрон предыдущего слоя соединён с каждым нейроном следующего.
3. Функция активации ReLU — позволяет модели справляться с нелинейными зависимостями.
4. Функция активации сигмоида — используется в выходном слое для бинарной классификации.
5. Adam оптимизатор — один из самых популярных методов для настройки весов сети.

Таким образом, с использованием таких простых технологий, как Keras и TensorFlow, можно быстро создать и обучить нейронную сеть, даже не обладая глубокими знаниями в машинном обучении.

Литература

1.        Ikromov Khusan Kholmakhamatovich, . (2023). HISTORICAL CONTEXT OF DEVELOPMENT OF INFORMATION SYSTEMS AND DATABASE MANAGEMENT. International Journal of Pedagogics, 3(11), 119–123. https://doi.org/10.37547/ijp/Volume03Issue11-23

2.         Ikromov, X. TA’LIM JARAYONIDAGI SUN’IY INTELLEKTGA ASOSLANGAN AXBOROTNI QAYTA ISHLASH VOSITALARINING TAHLILI. O ‘ZBEKISTON RESPUBLIKASI OLIY TA’LIM, FAN VA INNOVATSIYALAR VAZIRLIGI ANDIJON DAVLAT UNIVERSITETI UMUMIY PEDAGOGIKA KAFEDRASI, 315.

3.        Mamasidiqov Baxodir Qobuljon o’g’li. (2024). O’ZBEKISTONDA BOZOR IQTISODIYOTIGA O’TISHNING YANGI BOSQICHI. IQTISODIYOT VA MATEMATIKA: Andijon mashinasozlik instituti “Axborot texnologiya” kafedrasi, katta o’qituvchisi Zulfixarov Ilxom Maxmudovich taqrizi ostida . IQRO INDEXING, 9(2), 52-55. http://worldlyjournals.com/index.php/IFX/article/view/2446