Skip to content
TheChatArchiveThe Chat Archive
Qwenqwen3-235b-a22b-no-thinking· Alibaba (Qwen)Hugging Face LMArena Human Preference 140K

napisz sieć neuronową oraz wyjaśnij jej zastosowanie

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with Mistralmagistral-medium-2506’s answer.
  1. User

    napisz sieć neuronową oraz wyjaśnij jej zastosowanie

  2. Qwen Assistant

    Oczywiście! Poniżej znajdziesz przykład prostej sieci neuronowej napisanej w Pythonie przy użyciu biblioteki TensorFlow/Keras, a następnie wyjaśnienie jej działania oraz zastosowania.


    🔢 Przykład: Sieć neuronowa do rozpoznawania cyfr ręcznie pisanych (MNIST)

    ✅ Cel:

    Rozpoznawanie cyfr od 0 do 9 na podstawie obrazów o rozmiarze 28x28 pikseli.


    🧠 Kod:

    import tensorflow as tf
    from tensorflow.keras import layers, models
    import matplotlib.pyplot as plt
    
    # Załadowanie danych MNIST
    (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
    
    # Normalizacja wartości pikseli do zakresu [0, 1]
    x_train = x_train / 255.0
    x_test = x_test / 255.0
    
    # Budowa modelu sieci neuronowej
    model = models.Sequential([
        layers.Flatten(input_shape=(28, 28)),   # Spłaszczenie obrazu do wektora 784 elementowego
        layers.Dense(128, activation='relu'),   # Warstwa ukryta z 128 neuronami i funkcją aktywacji ReLU
        layers.Dropout(0.2),                    # Dodatkowo dropout dla lepszej generalizacji
        layers.Dense(10, activation='softmax')  # Wyjście: 10 klas (cyfry 0-9)
    ])
    
    # Kompilacja modelu
    model.compile(optimizer='adam',
                  loss='sparse_categorical_crossentropy',
                  metrics=['accuracy'])
    
    # Trenowanie modelu
    model.fit(x_train, y_train, epochs=5)
    
    # Ocena modelu
    test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
    print(f"\nDokładność na zbiorze testowym: {test_acc:.4f}")
    

    📌 Wyjaśnienie działania:

    1. Dane wejściowe:

      • Obrazy 28x28 pikseli → każdy piksel to liczba z zakresu 0–255.
      • Dane są normalizowane do zakresu [0, 1].
    2. Warstwa Flatten:

      • Spłaszcza obraz do jednowymiarowego wektora (28×28 = 784).
    3. Warstwa Dense(128):

      • To warstwa w pełni połączona (ang. fully connected), zawierająca 128 neuronów.
      • Użyto funkcji aktywacji ReLU, która pomaga w uczeniu się nieliniowych wzorców.
    4. Dropout:

      • Technika regularyzacyjna, która „wyłącza” część neuronów w czasie nauki, by zapobiec przeuczeniu.
    5. Warstwa wyjściowa Dense(10):

      • Zwraca wynik dla każdej z 10 cyfr (0–9).
      • Funkcja softmax zamienia wyjścia na prawdopodobieństwa (suma = 1).
    6. Kompilacja i trening:

      • Model jest trenowany przez 5 epok (można więcej).
      • Optymalizator Adam automatycznie dobiera tempo uczenia.
      • Metryką jest dokładność (accuracy).

    🛠️ Zastosowania tej sieci:

    1. OCR (Optical Character Recognition) – rozpoznawanie pisma ręcznego.
    2. Cyfrowe formularze – np. rozpoznawanie cyfr na skanach dokumentów.
    3. Systemy bankowe – np. czytanie numerów kont lub kwot wpisanych ręcznie.
    4. Badania AI – jako punkt startowy do bardziej zaawansowanych architektur (CNN, RNN itp.).

    🔄 Rozszerzenia:

    Możesz rozbudować tę sieć do bardziej zaawansowanej, np.:

    • CNN (Convolutional Neural Network) – lepsza do przetwarzania obrazów.
    • Dodanie warstw splotowych: Conv2D, MaxPooling2D.
    • Zapis modelu: model.save("mnist_model.h5")
    • Wizualizacja wyników: np. wyświetlanie błędnych predykcji.

    Jeśli chcesz, mogę pokazać również wersję opartą na CNN lub rozszerzyć kod o dodatkowe funkcje. Daj znać! 😊

  3. User

    podaj instrukcje jak użyć tego co zrobiłeś krok po kroku

  4. Qwen Assistant

    Oczywiście! Poniżej znajdziesz szczegółowe instrukcje krok po kroku, jak użyć tej prostej sieci neuronowej do rozpoznawania cyfr ręcznie pisanych (zbiór MNIST) w Pythonie.


    🧰 Wymagania

    Zanim zaczniesz, upewnij się, że masz zainstalowane:

    • Python 3.x
    • TensorFlow 2.x
    • matplotlib (opcjonalnie, do wyświetlania obrazów)

    🔧 Instalacja bibliotek:

    Jeśli jeszcze ich nie masz, możesz je zainstalować komendą:

    pip install tensorflow matplotlib
    

    📋 KROK PO KROKU: Instrukcja użycia


    ✅ KROK 1: Utwórz nowy plik .py lub uruchom kod w Jupyter Notebook

    Możesz użyć np. Visual Studio Code, PyCharm, Google Colab lub Jupyter Notebook.


    ✅ KROK 2: Zaimportuj potrzebne biblioteki

    import tensorflow as tf
    from tensorflow.keras import layers, models
    import matplotlib.pyplot as plt
    

    ✅ KROK 3: Załaduj dane treningowe i testowe

    # Ładowanie danych MNIST
    (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
    

    Dane MNIST to tysiące małych obrazków cyfr od 0 do 9. Każdy obrazek ma rozmiar 28x28 pikseli.


    ✅ KROK 4: Przygotuj dane – normalizacja

    # Normalizujemy dane do zakresu [0, 1]
    x_train = x_train / 255.0
    x_test = x_test / 255.0
    

    Dzięki temu sieć szybciej się nauczy.


    ✅ KROK 5: Zbuduj architekturę sieci neuronowej

    model = models.Sequential([
        layers.Flatten(input_shape=(28, 28)),   # Spłaszcza obrazek do jednego wektora (784 elementów)
        layers.Dense(128, activation='relu'),   # Warstwa ukryta z aktywacją ReLU
        layers.Dropout(0.2),                    # Regularyzacja - unika przeuczenia
        layers.Dense(10, activation='softmax')  # Wyjście: prawdopodobieństwo dla każdej cyfry
    ])
    

    ✅ KROK 6: Skompiluj model

    model.compile(optimizer='adam',
                  loss='sparse_categorical_crossentropy',
                  metrics=['accuracy'])
    
    • optimizer='adam': automatycznie dobiera tempo uczenia.
    • loss='sparse_categorical_crossentropy': funkcja straty dla klasyfikacji wieloklasowej.
    • metrics=['accuracy']: sprawdzamy dokładność.

    ✅ KROK 7: Naucz model (trenowanie)

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

    Model będzie "naukował się" przez 5 epok (możesz ustawić więcej, np. epochs=10).


    ✅ KROK 8: Sprawdź skuteczność modelu na danych testowych

    test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
    print(f"\nDokładność na zbiorze testowym: {test_acc:.4f}")
    

    Pokaże Ci, jak dobrze model radzi sobie z danymi, których nie widział podczas nauki.


    ✅ KROK 9: Wykonaj predykcję (np. dla pierwszego obrazka testowego)

    import numpy as np
    
    # Wybierz jeden obrazek do przewidzenia
    image = x_test[0].reshape(1, 28, 28)  # Dodajemy wymiar batcha
    
    prediction = model.predict(image)
    predicted_label = np.argmax(prediction)
    
    print(f"Model przewiduje: {predicted_label}")
    plt.imshow(x_test[0], cmap='gray')
    plt.title(f"Prawdziwa cyfra: {y_test[0]}")
    plt.show()
    

    Pokazuje, co model myśli o konkretnym obrazku.


    🧠 Co się dzieje w tle?

    1. Model "pamięta" wzorce występujące w danych treningowych.
    2. Następnie próbuję je wykorzystać, by poprawnie przewidywać cyfry na danych testowych.
    3. Dzięki Dropout, unikamy „przeuczenia” – czyli sytuacji, gdy model zna tylko dane treningowe, a nie radzi sobie z nowymi.

    💾 Zapisz model (opcjonalnie)

    Chcesz zapisać gotowy model na później?

    model.save("mnist_model.h5")
    

    A potem możesz go załadować:

    loaded_model = tf.keras.models.load_model("mnist_model.h5")
    

    🎯 Podsumowanie

    EtapCzym się zajmuje
    1–4Przygotowanie danych
    5–6Budowa i kompilacja modelu
    7–8Trenowanie i ocena
    9Testowanie działania na przykładach

    Jeśli chcesz, mogę pomóc Ci rozbudować ten model o własny interfejs graficzny (GUI), albo nauczyć go rozpoznawać własne rysunki! Daj znać 😊

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.