基础神经网络-TensorFlow 中的单层感知器

在本文中，我们将了解单层感知器及其使用 TensorFlow 库在Python中的实现。神经网络的工作方式与我们的生物神经元的工作方式相同。

生物神经元的结构

生物神经元具有三个基本功能

接收外部信号。

处理信号并增强是否需要发送信息。

将信号传递给目标细胞，目标细胞可以是另一个神经元或腺体。

同样，神经网络也能发挥作用。

机器学习中的神经网络

什么是单层感知器？

它是最古老且最早引入的神经网络之一。它是由弗兰克·罗森布拉特 (Frank Rosenblatt)于1958 年提出的。感知器也称为人工神经网络。感知器主要用于计算AND、OR、NOR等具有二进制输入和二进制输出的逻辑门。

感知器的主要功能是：-

从输入层获取输入

对它们进行加权并总结。

将总和传递给非线性函数以产生输出。

单层神经网络

这里的激活函数可以是sigmoid、tanh、relu等任何函数。根据需求，我们将选择最合适的非线性激活函数以产生更好的结果。现在让我们实现一个单层感知器。

单层感知器的实现

现在让我们使用 TensorFlow 库使用“MNIST”数据集实现一个单层感知器。

Step1：导入必要的库

Numpy – Numpy 数组非常快，可以在很短的时间内执行大量计算。

Matplotlib – 该库用于绘制可视化效果。

TensorFlow – 这是一个用于机器学习和人工智能的开源库，提供一系列函数以通过单行代码实现复杂的功能。

Python3

import numpy as np

import tensorflow as tf

from tensorflow import keras

import matplotlib.pyplot as plt

%matplotlib inline

步骤 2：现在使用导入版本的张量流中的“Keras”加载数据集。

Python3

(x_train, y_train),\

(x_test, y_test) = keras.datasets.mnist.load_data()

步骤 3：现在显示数据集中单个图像的形状和图像。图像大小包含28*28的矩阵，训练集长度为60,000，测试集长度为10,000。

Python3

len(x_train)

len(x_test)

x_train[0].shape

plt.matshow(x_train[0])

输出：

来自训练数据集的样本图像

步骤 4：现在标准化数据集，以便快速准确地进行计算。

Python3

# Normalizing the dataset

x_train = x_train/255

x_test = x_test/255

# Flatting the dataset in order

# to compute for model building

x_train_flatten = x_train.reshape(len(x_train), 28*28)

x_test_flatten = x_test.reshape(len(x_test), 28*28)

第5步：构建具有单层感知的神经网络。在这里我们可以观察到，该模型是一个单层感知器，仅包含一个输入层和一个输出层，不存在隐藏层。

Python3

model = keras.Sequential([

keras.layers.Dense(10, input_shape=(784,),

activation='sigmoid')

])

model.compile(

optimizer='adam',

loss='sparse_categorical_crossentropy',

metrics=['accuracy'])

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

输出：

每个时期的训练进度

步骤6：输出模型在测试数据上的准确率。

Python3

model.evaluate(x_test_flatten, y_test)

输出：

测试数据上的模型性能