• 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
  • 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
Guide

Keras: rete neurale con un layer e un neruone | Machine Learning

Keras: rete neurale con un layer e un neruone | Machine Learning

In questo post abbiamo visto come un semplice neurone artificiale, senza l’ausilio di librerie come tensorflow, possa risolvere problemi di intelligenza artificiale grazie al machine learning.

Oggi vediamo come realizzare nuovamente un semplice script di machine learning attraverso il supporto di keras, un’API ad alto livello che consente la veloce creazione di reti neurali.

Reality: starting point

Ogni progetto di machine learning ha origine da una determinata realtà contraddistinta da una serie di dati e da una legge, una relazione, nota o sconosciuta che regola i dati.

Questo è il nostro dataset di partenza:

[ input ] : [-2.0,-1.0, 0.0, 1.0, 2.0, 8.0, 12.0]
[output ] : [-9.0, -6.0, 0.0, 0.0, 3.0, 21.0, 33.0]

La relazione tra l’input e l’output è la seguente:

y = x*3 - 3

Ci troviamo nella situazione di conoscere la relazione tra i dati, ma potrebbe capitare, come spesso succede, che questa preziosa informazione sia assente. Non è un problema: qui entra in gioco l’intelligenza artificiale.

Con l’ausilio di tecniche quali il deep learning, o il machine learning, è possibile estrarre da una serie di dati, attraverso l’iterazione in un numero elevato di epoche (cicli), grazie anche a specifiche funzioni matematiche, la relazione che consente di fare previsioni dell’ouput su input non forniti nella fase di training.

Questo è quello che andremo a fare.

Script: using keras to desing a net

Per poter procedere, occore che keras si installato propriamente nel nostro ambiente di lavoro. Io, da anaconda Prompt digito:

pip install keras

Iniziamo a scrivere lo script.

Importiamo le librerie:

from tensorflow import keras
import numpy as np

Quindi creiamo la nostra rete neurale, fatta di un semplice neurone e un solo layer:

model = keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])
model.compile(optimizer='sgd', loss='mean_squared_error')

Ora il nostro dataset:

x = np.array([-2.0,-1.0, 0.0, 1.0, 2.0, 8.0, 12.0], dtype=float)
y = np.array([-9.0, -6.0, 0.0, 0.0, 3.0, 21.0, 33.0], dtype=float)

Popoliamo il modello:

model.fit(x, y, epochs=500)

E proviamo a fare una predizione su un dato in input, il 9; l’output? Dovebbe essere 24:

print(model.predict([9.0]))

Eseguendo lo script, otteniamo:

[24.101503]

Ci piace!

Alla prossima!

Un caldo abbraccio, Andrea!

Written by Andrea Provino - Dicembre 26, 2018

2 Comments

  • Cosa sono Optimization algorithm e Optimizer | Neural Network & Deep Learning Ottobre 27, 2019 at 20:02

    […] Abbiamo realizzato il nostro primo piccolo neurone artificiale. […]

    Reply
  • Tensorflow Guida Italiano: primi passi con Tensorflow - Deep Learning Ita Novembre 19, 2020 at 06:04

    […] sapere che Tensorflow usa una high-level API chiamata Keras, di cui abbiamo parlato in passato, che fornisce una potente e intuitiva interfaccia per creare e allenare reti neurali profonde, o […]

    Reply
  • Please Post Your Comments & Reviews
    Annulla risposta

    Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

    Next Post
    Previous Post

    Una pubblicità che non vedi se usi AdBlock

    EXPAND YOUR KNOWLEDGE

    • Blockchain

      Patricia Merkle Trie

      Maggio 30, 2023
    • Artistic representation of a tree Blockchain

      Tree Data Structure: cos’è un Merkle Tree

      Maggio 26, 2023
    • Cover image for Bitcoin UTXO explanation post Blockchain

      UTXO: come funziona il modello Unspent Transaction Outputs

      Maggio 23, 2023
    • Blockchain

      Cos’è Ethereum

      Maggio 15, 2023
    • Blockchain Developer

      Circuito aritmetico

      Novembre 1, 2022
    • machine-learning

      Un nuovo inizio

      Settembre 4, 2021
    • Zero Knwoledge Proof Article Privacy Preserving

      Zero Knowledge Proof: zk-SNARK e zk-STARK | Prova a conoscenza zero

      Luglio 8, 2021
    • oblivious-transfer-spiegazione-italiano-ot-explanation Privacy Preserving

      Oblivious Transfer (OT)

      Luglio 6, 2021
    • Aleo Studio Website Preview machine-learning

      Aleo Studio: un IDE per Zero-Knowledge Proofs Applications

      Luglio 1, 2021
    • privacy-enhancing-technologies-data-machine-learning-data-science Privacy Preserving

      Perché il Privacy Tech è un vantaggio competitivo micidiale

      Giugno 17, 2021

    Quello che Google pensa ti possa piacere

    Prodotti che i Cookie dicono potresti trovare interessanti

    AI Blog - © 2019-2021 Andrea Provino