โครงข่ายประสาทเทียมชั้นเดียว
เพื่อให้คุ้นเคยกับการใช้โครงข่ายประสาทเทียม เราจะเริ่มต้นด้วยการ ประมาณ ฟังก์ชันอย่างง่าย
คุณจะฝึกโครงข่ายประสาทเทียมให้ประมาณความสัมพันธ์ระหว่าง input x และ output y ซึ่งทั้งสองมีความสัมพันธ์กันผ่านฟังก์ชัน รากที่สอง นั่นคือ \(y = \sqrt{x}\)
เวกเตอร์ input x ได้รับการเตรียมไว้ให้แล้ว ขั้นแรกให้คำนวณรากที่สองของ x โดยใช้ฟังก์ชัน sqrt() ของ Numpy เพื่อสร้างอนุกรม output y จากนั้นสร้างโครงข่ายประสาทเทียมอย่างง่ายและฝึกโมเดลด้วยอนุกรม x
หลังจากฝึกเสร็จแล้ว ให้พล็อตทั้งอนุกรม y และค่าที่โครงข่ายประสาทเทียมพยากรณ์ได้ เพื่อดูว่าโมเดลประมาณฟังก์ชันรากที่สองได้ใกล้เคียงเพียงใด
ออบเจ็กต์ Sequential และ Dense จากไลบรารี Keras พร้อมใช้งานใน workspace ของคุณแล้ว
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การบริหารความเสี่ยงเชิงปริมาณด้วย Python
คำแนะนำการฝึกหัด
- สร้างค่า output สำหรับการฝึกโดยใช้ฟังก์ชัน
sqrt()ของ Numpy - สร้างโครงข่ายประสาทเทียมที่มี hidden layer 1 ชั้น ประกอบด้วย 16 neurons โดยมี input 1 ค่าและ output 1 ค่า
- Compile และ fit โครงข่ายประสาทเทียมกับค่าฝึก เป็นจำนวน 100 epochs
- พล็อตค่าฝึก (สีน้ำเงิน) เปรียบเทียบกับค่าที่โครงข่ายประสาทเทียมพยากรณ์ได้
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Create the training values from the square root function
y = np.____(x)
# Create the neural network
model = Sequential()
model.____(Dense(16, input_dim=1, activation='relu'))
model.____(____(1))
# Train the network
model.____(loss='mean_squared_error', optimizer='rmsprop')
model.____(x, y, epochs=100)
## Plot the resulting approximation and the training values
plt.plot(x, y, x, model.____(x))
plt.show()