```python
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
```
– 32 фильтра: Каждый фильтр будет извлекать определенный признак из изображения.
– Размер фильтра 3x3: Это небольшой размер, который хорошо подходит для выделения мелких деталей.
– Функция активации ReLU: Rectified Linear Unit (ReLU) помогает сети обучаться нелинейным отношениям между признаками.
– input_shape=(32, 32, 3): Указываем форму входных данных (32x32 пикселя, 3 цветовых канала).
2. Второй сверточный слой:
```python
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
```
–64 фильтра: Увеличиваем количество фильтров, чтобы сеть могла извлекать более сложные признаки.
3. Третий сверточный слой:
```python
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
```
– Дополнительный сверточный слой для дальнейшего выделения признаков.
Добавление слоев подвыборки (Pooling)
Слои подвыборки (MaxPooling2D) уменьшают размерность выходных данных от сверточных слоев, что снижает вычислительную сложность и помогает избежать переобучения. Они выбирают максимальное значение из каждого подмассива данных, тем самым сохраняя наиболее значимые признаки.
1. Первый слой подвыборки:
```python
model.add(layers.MaxPooling2D((2, 2)))
```
– Размер пула 2x2: Снижение размерности выходных данных в два раза по каждой оси.
2. Второй слой подвыборки:
```python
model.add(layers.MaxPooling2D((2, 2)))
```
– Дополнительный слой подвыборки для дальнейшего уменьшения размерности данных.
Добавление полносвязных слоев (Fully Connected Layers)
После извлечения признаков из изображений с помощью сверточных и подвыборочных слоев, мы используем полносвязные слои (Dense) для классификации. Эти слои соединяют каждый нейрон предыдущего слоя с каждым нейроном текущего слоя.
1. Приведение данных в одномерный вид:
```python
model.add(layers.Flatten())
```
– Преобразование многомерного выхода сверточных слоев в одномерный вектор.
2. Первый полносвязный слой:
```python
model.add(layers.Dense(64, activation='relu'))
```
– 64 нейрона: Обучение нелинейным комбинациям признаков.
3. Выходной полносвязный слой:
```python
model.add(layers.Dense(10))
```
– 10 нейронов: Каждый нейрон соответствует одному классу из 10 в наборе данных CIFAR-10.
Построенная таким образом сеть состоит из нескольких сверточных слоев для извлечения признаков, слоев подвыборки для уменьшения размерности данных и полносвязных слоев для классификации. Эта архитектура позволяет эффективно решать задачу классификации изображений, выделяя важные признаки и обучаясь на их основе.
5. Построение простой рекуррентной нейронной сети для анализа временных рядов
– Задача: Прогнозирование цен на акции.
Для построения простой рекуррентной нейронной сети (RNN) для анализа временных рядов и прогнозирования цен на акции можно использовать библиотеку TensorFlow и её высокоуровневый интерфейс Keras. В этом примере мы рассмотрим, как использовать LSTM (Long Short-Term Memory) слои, которые являются разновидностью RNN, чтобы построить модель для прогнозирования цен на акции.
Шаги:
1. Импорт библиотек и модулей.
2. Подготовка данных.
3. Построение модели RNN.
4. Компиляция и обучение модели.
5. Оценка и тестирование модели.
Пример кода:
```python
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.keras import layers, models
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
# Шаг 1: Импорт библиотек
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.keras import layers, models
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
# Шаг 2: Подготовка данных
# Загрузка данных. Предположим, что у нас есть CSV файл с историческими ценами на акции.
data = pd.read_csv('stock_prices.csv')
# Выбираем интересующие нас столбцы, например, 'Close'
prices = data['Close'].values.reshape(-1, 1)
# Нормализация данных
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_prices = scaler.fit_transform(prices)
# Создание последовательностей для обучения модели
def create_sequences(data, sequence_length):
sequences = []
targets = []
for i in range(len(data) – sequence_length):
sequences.append(data[i:i + sequence_length])
targets.append(data[i + sequence_length])
return np.array(sequences), np.array(targets)
sequence_length = 60 # 60 дней
X, y = create_sequences(scaled_prices, sequence_length)
# Разделение данных на обучающую и тестовую выборки
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, shuffle=False)
# Шаг 3: Построение модели RNN
model = models.Sequential()
model.add(layers.LSTM(50, return_sequences=True, input_shape=(sequence_length, 1)))
model.add(layers.LSTM(50, return_sequences=False))
model.add(layers.Dense(25))
model.add(layers.Dense(1))
# Шаг 4: Компиляция и обучение модели
model.compile(optimizer='adam', loss='mean_squared_error')
history = model.fit(X_train, y_train, batch_size=32, epochs=10,
validation_data=(X_test, y_test))
# Шаг 5: Оценка модели
predictions = model.predict(X_test)
predictions = scaler.inverse_transform(predictions)
# Визуализация результатов
plt.figure(figsize=(10, 6))
plt.plot(data.index[:len(data) – len(y_test)], scaler.inverse_transform(scaled_prices[:len(scaled_prices) – len(y_test)]), color='blue', label='Исторические данные')
plt.plot(data.index[len(data) – len(y_test):], scaler.inverse_transform(scaled_prices[len(scaled_prices) – len(y_test):]), color='orange', label='Истинные значения')
plt.plot(data.index[len(data) – len(y_test):], predictions, color='red', label='Прогнозы')
plt.xlabel('Дата')
plt.ylabel('Цена акции')
plt.legend()
plt.show()
```
Пояснение:
1. Импорт библиотек: Импортируются необходимые библиотеки, включая TensorFlow, Keras, pandas и matplotlib.
2. Подготовка данных: Загружаются данные о ценах акций из CSV файла и нормализуются с помощью MinMaxScaler. Создаются последовательности для обучения модели.
3. Построение модели RNN: Модель строится с использованием двух LSTM слоев. Первый слой LSTM возвращает последовательность, которая передается следующему слою. Второй слой LSTM возвращает конечный выход, который подается на полносвязные слои для получения прогноза.
4. Компиляция и обучение модели: Модель компилируется с использованием оптимизатора Adam и функции потерь mean_squared_error. Затем модель обучается на обучающей выборке.
5. Оценка и тестирование модели: Прогнозы модели сравниваются с реальными данными, и результаты визуализируются с помощью графика.
Этот подход может быть расширен и улучшен, например, путем настройки гиперпараметров модели или добавления дополнительных слоев для повышения точности прогнозов.
Построение модели RNN
Использование двух LSTM слоев
Для анализа временных рядов и прогнозирования цен на акции мы будем использовать два слоя LSTM. LSTM (Long Short-Term Memory) слои являются разновидностью рекуррентных нейронных сетей, специально разработанных для запоминания долгосрочных зависимостей в последовательных данных. В отличие от обычных RNN, которые могут страдать от проблем затухающих градиентов, LSTM могут эффективно обучаться на долгосрочных зависимостях.
