Нейросеть на Python: простой урок для школьников

Что такое нейросеть?

Нейросеть — это модель, которая пытается имитировать работу человеческого мозга. Она состоит из множества узлов (или нейронов), которые обрабатывают информацию. Нейросети могут использоваться для решения различных задач, таких как распознавание изображений, обработка текста и даже игра в игры.

Почему стоит изучать нейросети?

Изучение нейросетей открывает множество возможностей. Это не только перспективная область, но и интересная. Ты сможешь создавать программы, которые могут учиться и адаптироваться к новым данным. Кроме того, навыки работы с нейросетями востребованы на рынке труда.

Что нам понадобится?

Для начала работы с нейросетями на Python нам понадобятся:

• Python — язык программирования, на котором мы будем писать код.
• Библиотека TensorFlow или Keras — инструменты для создания и обучения нейросетей.
• Jupyter Notebook — удобная среда для написания и тестирования кода.

Установка необходимых инструментов

Чтобы начать, нужно установить Python и необходимые библиотеки. Если у тебя ещё нет Python, скачай его с официального сайта. Затем открой терминал и введи следующие команды:

pip install tensorflow
pip install keras
pip install jupyter

Создание первой нейросети

Теперь давай создадим простую нейросеть, которая будет распознавать рукописные цифры из набора данных MNIST. Этот набор данных содержит 60,000 изображений цифр для обучения и 10,000 для тестирования.

Импортируем библиотеки

В первую очередь, открой Jupyter Notebook и создай новый файл. Затем импортируй необходимые библиотеки:

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

Загрузка данных

Теперь загрузим набор данных MNIST:

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

Здесь x_train и y_train — это обучающие данные, а x_test и y_test — тестовые.

Предобработка данных

Перед тем как обучать нейросеть, нужно подготовить данные. Мы нормализуем изображения, чтобы значения пикселей находились в диапазоне от 0 до 1:

x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255

Создание модели нейросети

Теперь создадим саму модель. Мы будем использовать простую архитектуру с одним скрытым слоем:

model = keras.Sequential([
    layers.Flatten(input_shape=(28, 28)),
    layers.Dense(128, activation='relu'),
    layers.Dense(10, activation='softmax')
])

Здесь Flatten преобразует 2D-изображение в 1D-вектор, а Dense — это полносвязные слои.

Компиляция модели

Теперь нужно скомпилировать модель, указав функцию потерь и оптимизатор:

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

Обучение модели

Теперь мы можем обучить модель на наших данных:

model.fit(x_train, y_train, epochs=5)

Здесь epochs — это количество эпох, то есть сколько раз модель будет проходить через весь набор данных.

Оценка модели

После обучения важно оценить, насколько хорошо модель работает на тестовых данных:

test_loss, test_acc = model.evaluate(x_test, y_test)

Выведем точность:

print('Точность на тестовых данных:', test_acc)

Использование модели для предсказаний

Теперь, когда модель обучена, мы можем использовать её для предсказания:

predictions = model.predict(x_test)
print('Предсказанная цифра:', tf.argmax(predictions[0]).numpy())

Заключение

Поздравляю! Ты только что создал свою первую нейросеть на Python. Это только начало, и впереди тебя ждёт множество интересных задач и проектов. Не бойся экспериментировать и изучать новые подходы. Нейросети — это увлекательная область, и ты можешь стать её частью!