napisz sieć neuronową oraz wyjaśnij jej zastosowanie
- User
napisz sieć neuronową oraz wyjaśnij jej zastosowanie
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:
-
Dane wejściowe:
- Obrazy 28x28 pikseli → każdy piksel to liczba z zakresu 0–255.
- Dane są normalizowane do zakresu [0, 1].
-
Warstwa
Flatten:- Spłaszcza obraz do jednowymiarowego wektora (28×28 = 784).
-
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.
-
Dropout:
- Technika regularyzacyjna, która „wyłącza” część neuronów w czasie nauki, by zapobiec przeuczeniu.
-
Warstwa wyjściowa
Dense(10):- Zwraca wynik dla każdej z 10 cyfr (0–9).
- Funkcja
softmaxzamienia wyjścia na prawdopodobieństwa (suma = 1).
-
Kompilacja i trening:
- Model jest trenowany przez 5 epok (można więcej).
- Optymalizator
Adamautomatycznie dobiera tempo uczenia. - Metryką jest dokładność (
accuracy).
🛠️ Zastosowania tej sieci:
- OCR (Optical Character Recognition) – rozpoznawanie pisma ręcznego.
- Cyfrowe formularze – np. rozpoznawanie cyfr na skanach dokumentów.
- Systemy bankowe – np. czytanie numerów kont lub kwot wpisanych ręcznie.
- 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! 😊
-
- User
podaj instrukcje jak użyć tego co zrobiłeś krok po kroku
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
.pylub uruchom kod w Jupyter NotebookMożesz 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 / 255.0Dzięki 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?
- Model "pamięta" wzorce występujące w danych treningowych.
- Następnie próbuję je wykorzystać, by poprawnie przewidywać cyfry na danych testowych.
- 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
Etap Czym się zajmuje 1–4 Przygotowanie danych 5–6 Budowa i kompilacja modelu 7–8 Trenowanie i ocena 9 Testowanie działania na przykładach
Jeśli chcesz, mogę pomóc Ci rozbudować ten model o własny interfejs graficzny (GUI), albo nauczyć go rozpoznawać własne rysunki! Daj znać 😊
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.