Как сделать нейросеть, которая угадывает цифры на Python

Введение в нейросети

Нейросети стали неотъемлемой частью современного мира технологий. Они используются в различных областях, от распознавания изображений до обработки естественного языка. В этой статье мы рассмотрим, как создать простую нейросеть на Python, которая будет угадывать цифры из набора данных MNIST.

Что такое MNIST?

MNIST (Modified National Institute of Standards and Technology) — это набор данных, содержащий 70,000 изображений рукописных цифр от 0 до 9. Он широко используется для обучения и тестирования алгоритмов машинного обучения. Каждое изображение имеет размер 28×28 пикселей и представлено в градациях серого.

Подготовка окружения

Для начала работы нам понадобятся следующие библиотеки:

• TensorFlow — для создания и обучения нейросети.
• Keras — высокоуровневый API для работы с TensorFlow.
• NumPy — для работы с массивами данных.
• Matplotlib — для визуализации результатов.

Установить их можно с помощью pip:

pip install tensorflow numpy matplotlib

Загрузка и подготовка данных

Теперь давайте загрузим набор данных MNIST и подготовим его для обучения. Мы будем использовать встроенные функции Keras для загрузки данных:

from tensorflow.keras.datasets import mnist

# Загружаем данные
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# Нормализуем данные
x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255

После загрузки данных мы нормализуем их, чтобы значения пикселей находились в диапазоне от 0 до 1. Это поможет ускорить обучение нейросети.

Создание модели нейросети

Теперь мы можем создать модель нейросети. Мы будем использовать последовательную модель Keras, которая позволяет добавлять слои один за другим:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten

# Создаем модель
model = Sequential()
model.add(Flatten(input_shape=(28, 28)))  # Преобразуем 2D-изображение в 1D
model.add(Dense(128, activation='relu'))   # Полносвязный слой с 128 нейронами
model.add(Dense(10, activation='softmax'))  # Выходной слой с 10 нейронами для 10 классов

В этой модели мы используем два слоя: Flatten, чтобы преобразовать 2D-изображение в 1D, и Dense для создания полносвязного слоя. Выходной слой использует функцию активации softmax, чтобы получить вероятности для каждой цифры.

Компиляция модели

Перед обучением модели необходимо её скомпилировать. Мы укажем функцию потерь, оптимизатор и метрики:

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

Мы используем sparse_categorical_crossentropy в качестве функции потерь, так как у нас есть несколько классов, и adam в качестве оптимизатора, который хорошо работает в большинстве случаев.

Обучение модели

Теперь мы готовы обучить нашу модель на тренировочных данных:

model.fit(x_train, y_train, epochs=5, batch_size=32)

Мы обучаем модель на 5 эпох с размером пакета 32. Это значит, что модель будет обновлять свои веса после обработки 32 изображений.

Оценка модели

После обучения модели важно оценить её производительность на тестовых данных:

test_loss, test_accuracy = model.evaluate(x_test, y_test)
print(f'Тестовая точность: {test_accuracy}')

Это даст нам представление о том, насколько хорошо модель справляется с новыми, невиданными данными.

Предсказание цифр

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

import numpy as np

# Предсказание для первого изображения в тестовом наборе
predictions = model.predict(x_test)
predicted_digit = np.argmax(predictions[0])
print(f'Предсказанная цифра: {predicted_digit}')

Мы используем функцию predict, чтобы получить вероятности для каждой цифры, а затем argmax, чтобы выбрать цифру с наибольшей вероятностью.

Визуализация результатов

Для лучшего понимания работы модели можно визуализировать результаты:

import matplotlib.pyplot as plt

# Визуализируем первое изображение и его предсказание
plt.imshow(x_test[0], cmap='gray')
plt.title(f'Предсказанная цифра: {predicted_digit}')
plt.show()

Это поможет увидеть, как модель распознает цифры и насколько точно она работает.

Заключение

В этой статье мы рассмотрели, как создать простую нейросеть на Python, которая может угадывать рукописные цифры. Мы прошли через все этапы: от загрузки данных до обучения и предсказания. Теперь у вас есть базовое понимание того, как работают нейросети, и вы можете продолжать экспериментировать с различными архитектурами и параметрами.