Lekce 22 - Neuronové sítě - Implementace

V minulé lekci, Neuronové sítě – Model a trénink, jsme se věnovali praxi - třídě Model, tréninku a výstupům.

V této lekci tutoriálu Neuronové sítě - Pokročilé se konečně dostáváme k vytvoření naší první neuronové sítě. Budeme k tomu potřebovat důkladně rozumět předchozímu obsahu - aktivačním funkcím, softmaxu, dense vrstvě, loss funkcím a optimalizátorům. Také musíme umět pracovat s gradienty. Pro úspěšné vytvoření neuronové sítě je nezbytné vědět, jak se váhy, vrstvy, modely, optimalizátory a ztráty skládají dohromady, aby vytvořily výsledný model. To vše jsou základy neuronových sítí, které se v praxi používají znovu a znovu.

Pusťme se 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 průběhu lekce si nejprve ukážeme implementaci, poté si projdeme formalizaci a až závěrem se podíváme na matematiku na pozadí.

...konec náhledu článku...
Pokračuj dál