**Budowanie i Trenowanie Prostej Sieci Neuronowej

Sieci neuronowe to systemy inspirowane biologią, zbudowane z połączonych warstw neuronów. Każda warstwa przetwarza dane i przekazuje je do kolejnej warstwy. Kluczowymi elementami są:

• Warstwy (Layers): Podstawowe bloki konstrukcyjne sieci. Mogą być warstwami gęstymi (fully connected), konwolucyjnymi (dla obrazów) lub rekurencyjnymi (dla sekwencji danych).
• Neurony (Neurons): Podstawowe jednostki obliczeniowe w warstwach. Otrzymują wejścia, dokonują obliczeń (mnożenie wejść przez wagi, sumowanie i dodanie biasu) i przekazują wynik do funkcji aktywacji.
• Funkcje Aktywacji (Activation Functions): Wprowadzają nieliniowość do modelu, umożliwiając sieci modelowanie bardziej złożonych wzorców. Przykłady: sigmoid, ReLU (Rectified Linear Unit), tanh.

Przykład: Wyobraź sobie warstwę gęstą z 3 neuronami. Każdy neuron ma wagę dla każdego wejścia i bias. Dane wejściowe (np. cechy obrazu) trafiają do warstwy, są przetwarzane przez neurony i przechodzą przez funkcję aktywacji, generując wyjście.

Keras to wysokopoziomowa biblioteka API do budowy i trenowania modeli uczenia maszynowego, uruchamiana na TensorFlow, Theano lub CNTK. Ułatwia budowę sieci neuronowych.

Krok 1: Importowanie bibliotek:

import tensorflow as tf
from tensorflow import keras

Krok 2: Definiowanie modelu:

model = keras.Sequential([
    keras.layers.Dense(128, activation='relu', input_shape=(784,)), # Warstwa gęsta, ReLU, 784 wejść
    keras.layers.Dense(10, activation='softmax')                   # Warstwa wyjściowa, Softmax, 10 wyjść (np. cyfry 0-9)
])

Krok 3: Kompilacja modelu:

model.compile(optimizer='adam',  # Optymalizator
              loss='sparse_categorical_crossentropy', # Funkcja straty
              metrics=['accuracy'])   # Metryki oceny

Krok 4: Trenowanie modelu:

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data() # MNIST dataset
x_train = x_train.reshape(60000, 784) # Reshape do 784
x_test = x_test.reshape(10000, 784) 
x_train = x_train.astype('float32') / 255 # Normalizacja
x_test = x_test.astype('float32') / 255

model.fit(x_train, y_train, epochs=5) # Trenowanie, 5 epok

Krok 5: Ocena modelu:

loss, accuracy = model.evaluate(x_test, y_test)
print(f'Dokładność na zbiorze testowym: {accuracy}')

Ten kod tworzy prostą sieć do rozpoznawania cyfr z zestawu danych MNIST. Zwróć uwagę na użycie Sequential do budowy modelu warstwa po warstwie, funkcje relu i softmax, oraz adam jako optymalizator.

Po wytrenowaniu, ważne jest zrozumienie, jak dobrze sieć działa i jak ją ulepszyć.

• Metryki: Dokładność (accuracy), precyzja, czułość (recall), F1-score – pomagają ocenić wydajność.
• Funkcja Straty (Loss Function): Mierzy, jak dobrze model dopasowuje się do danych treningowych. Przykład: sparse_categorical_crossentropy. Model stara się zminimalizować tę stratę.
• Optymalizatory: Algorytmy, które modyfikują wagi sieci w celu minimalizacji funkcji straty. Przykłady: adam, sgd.
• Epoki (Epochs): Liczba iteracji przez cały zbiór danych treningowych. Zbyt mała liczba epok może prowadzić do niedouczenia (underfitting), a zbyt duża do przeuczenia (overfitting).
• Walidacja: Używanie osobnego zestawu danych walidacyjnych do oceny wydajności modelu podczas treningu, pomaga w wykrywaniu przeuczenia.

Dostrajanie Parametrów: Eksperymentuj z różnymi funkcjami aktywacji, liczbą warstw, liczbą neuronów w warstwach i parametrami optymalizatora, aby poprawić wyniki.