【Day5】AI到神經網路~基本概念到Keras神經網絡

15th鐵人賽

sunteng

2023-09-20 23:59:03

803 瀏覽

分享至

AI是什麼?對於大部分讀者而言應該都多少有了解，也才會來看這類型文章，而我們的目標是30天能夠學會自己建立一個模型並使用它，因此我們需要再詳細一點了解AI、機器學習、深度學習等，下面就讓我們從了解他們開始

AI到神經網路

AI人工智慧

AI(人工智慧)全名**Artificial Intelligence**，目標是讓計算機系統具備類似人類智能的能力。這包括學習、理解、解決問題、自主行動和自我改進。AI的目標是使機器能夠模仿人類的智能行為，以執行各種任務，例如從圖像識別到自駕車到作詞作曲等等...人類能做到的一切事項。

圖片來源：https://www.forbes.com/sites/tomtaulli/2019/12/07/this-years-ai-artificial-intelligence-breakthroughs/?sh=72a632706921

總的來說，AI是一個多學科的領域，它結合了計算機科學、數學、認知心理學和工程學等多個領域的知識。AI的發展已經對我們的生活和工作方式產生了深遠的影響，並在許多領域提供了新的機會和挑戰。從個人助手（如Siri和Alexa）到自動化生產線和醫療診斷，AI的應用範圍非常廣泛，並且仍在不斷擴展和演進。

用一句話簡單解釋就是希望能使電腦像人一樣來解決各種事情

機器學習 (Machine Learning)

機器學習（Machine Learning）是人工智慧（AI）的一個重要子領域，它使計算機系統能夠自動從數據中學習和改進，而不需要明確的編程，機器學習基於以下主要思想：

數據驅動：機器學習依賴大量的數據，從這些數據中，計算機系統可以發現模式、趨勢和信息，並從中學到知識。
自動學習：目標是讓計算機能夠自動學習，而不是通過硬編程來實現特定的任務。這代表我們不需要明確告訴計算機如何執行任務，它可以自己從數據中學到如何完成任務。
模型建構：在機器學習中，我們通常建立模型，這些模型是對數據的數學表示。這些模型可以是簡單的線性回歸模型，也可以是複雜的深度神經網絡。模型通過調整其參數，使其能夠更好地擬合數據。
預測和決策：一旦模型訓練完成，它可以用來做出預測、分類、決策或優化，例如圖像識別、語音識別、自然語言處理、醫學診斷、金融預測等。
持續改進：機器學習模型通常可以不斷改進，隨著更多的數據和反饋，它們可以不斷提高性能。這使得它們在實際應用中可以隨著時間變得更聰明。

總之，機器學習是一個達成人工智慧的方式，它可以讓計算機系統從數據中學習，進而做出更好的預測和決策。

深度學習 (Deep Learning)

深度學習（Deep Learning,DL）是機器學習的一個特殊分支，它模仿人腦的神經網絡結構，用於處理和學習複雜的數據，通過多層次的神經元結構來模擬和學習數據，就像人腦處理信息一樣。這使得深度學習在圖像識別、語音辨識、自然語言處理、自動駕駛和許多其他領域都取得了令人印象深刻的成就。

神經網路 (Neural Network)

神經網路(Neural Network,NN)許多單元組成，這些單元稱為神經元(Neuron)。神經元是模仿人腦中的神經細胞的計算單元，用於處理信息。

神經細胞圖

圖片來源：https://zh.wikipedia.org/zh-tw/%E7%A5%9E%E7%B6%93%E5%85%83

而神經元的工作原理也如同神經細胞般，從接收來自其他神經元的輸入，對這些輸入進行權重加權，然後將加權和作為輸出傳遞給下一層的神經元或輸出層。

簡單來說神經元就像是一個開關，當它受到足夠的刺激（權重加權後的輸入大於某個閾值）時，就會打開。

神經網路構造

至此相信大家應該都大致有了概念，下面讓我們看圖

這張是神經網路構造圖，後續各類模型都是從這概念而做延伸，下面讓我們來講這三層

輸入層(input layer)：神經網絡的第一層，負責接收來數據或信息，可以是圖像、文本、聲音，或者任何其他形式的數據，並將這些特徵傳遞給下一層，即隱藏層。

輸入層的大小通常取決於你的數據，例如，如果處理28x28像素的圖像，則輸入層可能有784個節點（28x28=784）。

隱藏層(hidden layer)：神經網絡的中間層，它被稱為"隱藏"，是因為它的節點不直接與外部世界的數據或輸出相關聯。隱藏層的主要功能是處理輸入數據，並學習數據中的特徵和模式。神經網絡可以有一個或多個隱藏層，具體取決於網絡的架構。每個隱藏層通常包含多個神經元，這些神經元相互連接，並通過**權重(weights)**調整這些連接，以學習如何表示和處理數據。
輸出層(output layer)：神經網絡的最後一層，它負責產生最終的預測或輸出結果，輸出層的節點數取決於任務的性質，每個輸出節點代表一個可能的輸出類別或結果，並根據模型學習的知識進行預測。輸出可以是分類標籤、數值、圖像等，具體取決於你的應用。

例如，如果是圖像分類任務，則輸出層的節點數通常等於分類的類別數量。

keras

Keras是一個用於深度學習的開源軟件庫，提供了簡單而高效的界面，用於構建、訓練和部署神經網絡模型。它的主要目標是讓深度學習更加容易上手，並提供了一個直觀的API，使開發者能夠快速構建和評估深度學習模型，這也是我選擇它來作為入門的原因!

圖片來源：https://keras.io/

PyTorch

PyTorch是一個強大且易於使用的深度學習框架，由Meta(舊稱Facebook)開發，已成為廣泛應用於機器學習和深度學習的首選工具之一。其特點包括動態計算圖、Python友好性、GPU支持、豐富的生態系統和活躍的社區支持。PyTorch可用於建立、訓練和部署各種深度學習模型，涵蓋圖像處理、自然語言處理和計算機視覺等多個領域，使深度學習變得更加容易上手。

圖片來源：https://pytorch.org/

以上全部的大致介紹，只有一堆介紹是不是太無趣了，下面讓我們建立簡單的Keras神經網絡模型跑跑看。

keras神經網絡模型

我們建立一個基本的全連接神經網絡模型，並訓練它來分類手寫數字圖像。
而要訓練必定要有訓練資料，這裡我們使用MNIST數據集裡的手寫數字來作為我們的資料。

MNIST數據集包含70000個28x28像素手寫數字圖像，用於深度學習模型的字符識別和圖像分類。

# 引入必要的函式庫
import numpy as np
import tensorflow as tf
from tensorflow.keras import layers, models
from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical

# 載入MNIST數據集
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 數據預處理
train_images = train_images.reshape((60000, 28, 28, 1))
test_images = test_images.reshape((10000, 28, 28, 1))
train_images = train_images.astype('float32') / 255
test_images = test_images.astype('float32') / 255
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

# 建立神經網絡模型
model = models.Sequential()
model.add(layers.Flatten(input_shape=(28, 28, 1)))  # 將圖像展平成一維數組
model.add(layers.Dense(512, activation='relu'))  # 512個神經元的全連接層
model.add(layers.Dense(10, activation='softmax'))  # 10個神經元的全連接層（用於10個類別的分類）

# 編譯模型
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 訓練模型
model.fit(train_images, train_labels, epochs=5, batch_size=64)

# 評估模型
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)

這裡我們可以選擇使用Notepad++，前面有說過如何建立一個Python的編輯檔，這裡我們說明如何執行編輯好的程式碼，首先將上面程式貼上到你的編輯檔裡，如圖