МОДЕЛИ
МАШИННОГО
ОБУЧЕНИЯ.
TENSORFLOW
КУРБАНИЯЗОВ УМИДЖАН
210-22
ЕСТЬ МНОЖЕСТВО МОДЕЛЕЙ
МАШИННОГО ОБУЧЕНИЯ
• Линейная регрессия (Linear Regression): Модель для предсказания числовых значений на основе линейной
зависимости между переменными.
• Логистическая регрессия (Logistic Regression): Используется для задач бинарной классификации,
предсказывает вероятность принадлежности к одному из двух классов.
• Деревья решений (Decision Trees): Модель, представляющая собой древовидную структуру, используемую
для принятия решений на основе вопросов о характеристиках данных.
• Случайный лес (Random Forest): Ансамбль деревьев решений, который улучшает стабильность и точность
модели.
• Метод опорных векторов (Support Vector Machines, SVM): Используется для задач классификации и
регрессии, строит гиперплоскость, максимально разделяющую классы.
• K-ближайших соседей (K-Nearest Neighbors, KNN): Метод классификации, основанный на близости
объектов в пространстве признаков.
• Наивный байесовский классификатор (Naive Bayes): Основан на теореме Байеса и используется для
решения задач классификации.
• Метод главных компонент (Principal Component Analysis, PCA): Не является классической моделью, но
используется для уменьшения размерности данных.
• Нейронные сети (Neural Networks): Модель, инспирированная структурой человеческого мозга, применяется
для решения широкого спектра задач.
ЕСТЬ МНОЖЕСТВО МОДЕЛЕЙ
МАШИННОГО ОБУЧЕНИЯ
• Градиентный бустинг (Gradient Boosting): Ансамблевый метод, строит серию слабых моделей и объединяет
их для улучшения качества предсказаний.
• Машина опорных векторов с ядерным трюком (Kernelized Support Vector Machines): Расширение метода
опорных векторов с использованием ядерных функций для работы с нелинейными данными.
• Рекуррентные нейронные сети (Recurrent Neural Networks, RNN): Нейронные сети, способные работать с
последовательными данными, благодаря использованию обратных связей.
• Сверточные нейронные сети (Convolutional Neural Networks, CNN): Применяются в основном к
изображениям, используя сверточные слои для извлечения признаков.
• Генеративные модели (Generative Models): Включают в себя модели, создающие новые данные, такие как
Генеративные Состязательные Сети (GAN) или Вариационные Автокодировщики (VAE).
• XGBoost: Реализация алгоритма градиентного бустинга, эффективного в решении различных задач.
• Это всего лишь небольшой набор из множества доступных моделей машинного обучения. Выбор конкретной
модели зависит от характеристик данных и целей задачи.
ПАКЕТ TENSORFLOW
В контексте машинного обучения, термин "пакет TensorFlow" обычно относится к библиотеке
машинного обучения TensorFlow, разработанной компанией Google. TensorFlow представляет
собой открытое программное обеспечение, предназначенное для создания и обучения
моделей машинного обучения, в том числе глубокого обучения. Вот некоторые ключевые
аспекты этого пакета:
• Вычислительный граф: TensorFlow позволяет определить вычислительный граф, который
представляет собой последовательность операций, выполняемых в рамках модели. Граф
может быть выполнен на различных устройствах, таких как центральные процессоры (CPU),
графические процессоры (GPU) или устройства Tensor Processing Unit (TPU).
• Символическое программирование: TensorFlow использует символическое
программирование, что означает, что вы сначала определяете структуру модели и связи
между переменными, а затем проводите обучение, подавая данные на вход графа.
• Нейронные сети: TensorFlow предоставляет обширный набор инструментов для построения
и обучения нейронных сетей различных архитектур, включая сверточные нейронные сети
(CNN), рекуррентные нейронные сети (RNN) и многослойные перцептроны.
* Оптимизация и обучение: TensorFlow включает в себя оптимизаторы для минимизации
функций потерь в процессе обучения. Также предоставляются инструменты для
управления обучением, такие как планирование скорости обучения.
* TensorBoard: TensorFlow предоставляет инструмент под названием TensorBoard для
визуализации графов, метрик обучения, распределения весов и другой информации, что
делает процесс отладки и мониторинга более удобным.
* Производительность: TensorFlow оптимизирован для эффективного использования
аппаратного обеспечения, такого как GPU и TPU, что ускоряет обучение моделей.
* Поддержка развертывания: TensorFlow предоставляет инструменты для экспорта
обученных моделей и интеграции их в различные приложения и среды выполнения.
TensorFlow является одной из самых популярных библиотек машинного обучения и
используется в различных областях, от исследований до прикладных задач.
МОДЕЛИ НА ОСНОВЕ TENSORFLOW
tf.keras.Sequential: Простая последовательная модель, которая представляет собой линейный
стек слоев. Может использоваться для построения различных архитектур нейронных сетей.
tf.keras.Model: Базовый класс для создания собственных пользовательских моделей в
TensorFlow. Позволяет определить собственную архитектуру с использованием API Keras.
tf.estimator: Высокоуровневый API для построения готовых моделей, поддерживающих
распределенное обучение и экспорт для развертывания.
tf.image: Модуль для работы с изображениями, включая предварительно обученные модели,
такие как InceptionV3, MobileNetV2 и другие, которые могут использоваться для классификации
изображений.
tf.text: Модуль для работы с текстовыми данными, включая модели для обработки
естественного языка (Natural Language Processing, NLP), такие как BERT, GPT (Generative Pretrained Transformer) и другие.
tf.signal: Модуль для обработки сигналов, включая модели для работы с аудиоданными,
например, модель для распознавания речи.
tf.contrib.learn: Набор инструментов для обучения моделей, включая реализацию различных
алгоритмов, таких как линейная регрессия, метод опорных векторов, случайные леса и т.д.
tf.distribute: Фреймворк для распределенного обучения, позволяющий обучать модели на
нескольких устройствах или в нескольких процессах.
tf.quantization: Модуль для квантизации моделей, что позволяет уменьшить их размер и
улучшить их производительность при инференсе на устройствах с ограниченными ресурсами.
import tensorflow as tf
from tensorflow.keras import layers, models
from tensorflow.keras.datasets import fashion_mnist
from tensorflow.keras.utils import to_categorical
# Загрузка данных
(train_images, train_labels), (test_images, test_labels) =
fashion_mnist.load_data()
# Нормализация значений пикселей к диапазону [0,
1]
train_images, test_images = train_images / 255.0,
test_images / 255.0
# Преобразование меток в формат one-hot encoding
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)
# Определение архитектуры модели
model = models.Sequential()
model.add(layers.Flatten(input_shape=(28, 28))) #
Входной слой (преобразование 2D в 1D)
model.add(layers.Dense(128, activation='relu')) #
Полносвязный скрытый слой
model.add(layers.Dropout(0.2))
#
Использование dropout для предотвращения
переобучения
model.add(layers.Dense(10, activation='softmax'))
# Выходной слой с 10 нейронами (классами)
# Компиляция модели
model.compile(optimizer='adam',
loss='categorical_crossentropy',
metrics=['accuracy'])
# Обучение модели
model.fit(train_images, train_labels, epochs=5,
validation_data=(test_images, test_labels))
# Оценка точности на тестовых данных
test_loss, test_acc = model.evaluate(test_images,
test_labels)
print(f'\nТочность на тестовых данных:
{test_acc}')
Этот код создает и обучает простую нейронную сеть для классификации
изображений одежды из набора данных Fashion MNIST. Важным
элементом здесь является использование библиотеки Keras, встроенной в
TensorFlow, для упрощения определения архитектуры сети и процесса
обучения.
Спасибо За Внимание!