深入了解前馈网络、CNN、RNN 和 Hugging Face 的 Transformer 技术！

   一、说明

        本篇在此对自然语言模型做一个简短总结，从CNN\RNN\变形金刚，和抱脸的变形金刚库说起。

二、基本前馈神经网络：

        让我们分解一个基本的前馈神经网络，也称为多层感知器（MLP）。此代码示例将：

  1. 定义神经网络的架构。
  2. 初始化权重和偏差。
  3. 使用 sigmoid 激活函数实现前向传播。
  4. 使用均方误差损失函数实现训练的反向传播。
  5. 演示在简单数据集上的训练。
import numpy as npclass NeuralNetwork:def __init__(self, input_size, hidden_size, output_size):# Initialize weights and biases with random valuesself.weights1 = np.random.randn(input_size, hidden_size)self.weights2 = np.random.randn(hidden_size, output_size)self.bias1 = np.random.randn(1, hidden_size)self.bias2 = np.random.randn(1, output_size)def sigmoid(self, x):return 1 / (1 + np.exp(-x))def sigmoid_derivative(self, x):return x * (1 - x)def forward(self, X):self.hidden = self.sigmoid(np.dot(X, self.weights1) + self.bias1)output = self.sigmoid(np.dot(self.hidden, self.weights2) + self.bias2)return outputdef train(self, X, y, epochs, learning_rate):for epoch in range(epochs):# Forward propagationoutput = self.forward(X)# Compute errorerror = y - output# Backward propagationd_output = error * self.sigmoid_derivative(output)error_hidden = d_output.dot(self.weights2.T)d_hidden = error_hidden * self.sigmoid_derivative(self.hidden)# Update weights and biasesself.weights2 += self.hidden.T.dot(d_output) * learning_rateself.bias2 += np.sum(d_output, axis=0, keepdims=True) * learning_rateself.weights1 += X.T.dot(d_hidden) * learning_rateself.bias1 += np.sum(d_hidden, axis=0, keepdims=True) * learning_rate# Print the error at every 1000 epochsif epoch % 1000 == 0:print(f"Epoch {epoch}, Error: {np.mean(np.abs(error))}")# Sample data for XOR problem
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([[0], [1], [1], [0]])# Create neural network instance and train
nn = NeuralNetwork(input_size=2, hidden_size=4, output_size=1)
nn.train(X, y, epochs=10000, learning_rate=0.1)# Test the neural network
print("Predictions after training:")
for data in X:print(f"{data} => {nn.forward(data)}")

在这个例子中，我们使用神经网络来解决异或问题，这是一个单层感知器无法解决的经典问题。

这种前馈神经网络只有一个隐藏层，这使得它能够学习非线性关系。调整隐藏层大小、学习率和周期数等参数会影响神经网络的性能和准确性。

三、卷积神经网络 （CNN）

CNN 专为图像处理而设计，包括称为卷积层的层，这些层对输入数据应用卷积运算，强调局部特征。

3.1 CNN的基本结构：

        以下是使用 TensorFlow 和 Keras 库的基本卷积神经网络 （CNN） 的更全面实现。此示例将：

  1. 加载 MNIST 数据集，这是一个用于手写数字识别的常用数据集。
  2. 对数据进行预处理。
  3. 定义基本的 CNN 架构。
  4. 使用优化器、损失函数和度量编译模型。
  5. 在 MNIST 数据集上训练 CNN。
  6. 评估经过训练的 CNN 在测试数据上的准确性。

3.2 相关代码实现

# Import necessary libraries
import numpy as np
import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical# Load and preprocess the dataset
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)# Define the CNN architecture
model = tf.keras.Sequential([tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),tf.keras.layers.MaxPooling2D(2, 2),tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),tf.keras.layers.MaxPooling2D(2, 2),tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),tf.keras.layers.Flatten(),tf.keras.layers.Dense(64, activation='relu'),tf.keras.layers.Dense(10, activation='softmax')
])# Compile the model
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])# Train the model
model.fit(train_images, train_labels, epochs=5, batch_size=64)# Evaluate the model's accuracy on the test data
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Test accuracy: {test_acc}')

在此示例中，基本 CNN 有三个卷积层，后跟最大池化层。在卷积层之后，我们将输出展平，并将其传递到两个密集（全连接）层。

最后的密集层有 10 个神经元，每个神经元代表一个从 0 到 9 的数字，具有 softmax 激活函数来产生类概率。

这是MNIST数据集的一个简单而有效的CNN。您可以通过添加更多层、使用正则化 dropout 等技术或采用高级优化技术来进一步改进网络。

四、循环神经网络 （RNN）

RNN 旨在识别数据序列中的模式，例如文本或时间序列。它们保留对先前输入的记忆。

4.1 基本RNN结构：

        让我们使用 TensorFlow 和 Keras 创建一个基本的递归神经网络 （RNN）。此示例将演示：

  1. 加载序列数据集（我们将使用 IMDB 情感分析数据集）。
  2. 预处理数据。
  3. 定义一个简单的 RNN 架构。
  4. 使用优化器、损失函数和度量编译模型。
  5. 在数据集上训练 RNN。
  6. 评估经过训练的 RNN 在测试数据上的准确性。

4.2 相关代码实现

# Import necessary libraries
import tensorflow as tf
from tensorflow.keras.datasets import imdb
from tensorflow.keras.preprocessing.sequence import pad_sequences# Constants
VOCAB_SIZE = 10000
MAX_LEN = 500
EMBEDDING_DIM = 32# Load and preprocess the dataset
(train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=VOCAB_SIZE)# Pad sequences to the same length
train_data = pad_sequences(train_data, maxlen=MAX_LEN)
test_data = pad_sequences(test_data, maxlen=MAX_LEN)# Define the RNN architecture
model = tf.keras.Sequential([tf.keras.layers.Embedding(VOCAB_SIZE, EMBEDDING_DIM, input_length=MAX_LEN),tf.keras.layers.SimpleRNN(32, return_sequences=True),tf.keras.layers.SimpleRNN(32),tf.keras.layers.Dense(1, activation='sigmoid')
])# Compile the model
model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])# Train the model
model.fit(train_data, train_labels, epochs=10, batch_size=128, validation_split=0.2)# Evaluate the model's accuracy on the test data
test_loss, test_acc = model.evaluate(test_data, test_labels)
print(f'Test accuracy: {test_acc}')

在此示例中，我们首先使用嵌入层将整数序列转换为固定大小的密集向量。然后，两个 RNN 层处理序列。

具有 sigmoid 激活函数的最后一个密集层输出一个概率，指示评论的情绪（0 表示负面，1 表示正面）。

值得注意的是，在实际应用中，您可能需要考虑使用更高级的递归层，如 LSTM 或 GRU，因为它们可以比基本 RNN 更好地捕获远程依赖关系。

此外，可以根据特定的应用程序和数据集对超参数（如 、 和）进行微调，以获得最佳结果。VOCAB_SIZEMAX_LENEMBEDDING_DIM

五、变形金刚

Transformer 最初是为自然语言处理任务而设计的，具有自注意力机制，允许它们权衡输入不同部分的重要性。

5.1 Transformer 片段（使用 Hugging Face 的 Transformers 库）：

Hugging Face 的 Transformers 库使使用 BERT、GPT-2 等 Transformer 架构变得非常容易。让我们创建一个基本示例：

  1. 加载用于文本分类的预训练 BERT 模型。
  2. 标记化一些输入句子。
  3. 通过 BERT 模型传递标记化输入。
  4. 输出预测的类概率。

5.2 相关代码实现

        在本演示中，让我们使用 BERT 模型进行序列分类：

# Installation (if you haven't done it yet)
#!pip install transformers# Import required libraries
from transformers import BertTokenizer, BertForSequenceClassification
import torch# Load pretrained model and tokenizer
model_name = 'bert-base-uncased'
model = BertForSequenceClassification.from_pretrained(model_name, num_labels=2)  # For binary classification
tokenizer = BertTokenizer.from_pretrained(model_name)# Tokenize input data
input_texts = ["I love using transformers!", "This library is difficult to understand."]
inputs = tokenizer(input_texts, return_tensors='pt', padding=True, truncation=True, max_length=512)# Forward pass: get model predictions
with torch.no_grad():outputs = model(**inputs)logits = outputs.logitsprobabilities = torch.nn.functional.softmax(logits, dim=-1)# Display predicted class probabilities
print(probabilities)

此脚本初始化用于二进制序列分类的 BERT 模型，对输入句子进行标记，然后根据模型的对数进行预测。

最终输出 ， 包含输入句子的预测类概率。probabilities

请注意，此模型已针对二元分类（使用 ）进行了初始化，因此它最适合情绪分析等任务。num_labels=2

对于多类分类或其他任务，您可以调整并可能选择不同的预训练模型，或者在特定数据集上微调模型。num_labels

六、结论

        深度学习的世界是广阔的，正如所展示的那样，其算法可能会根据其应用领域变得复杂。然而，多亏了 TensorFlow 和 Hugging Face 等高级库，使用这些算法变得越来越容易。

旅程

 

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/163479.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Web应用系统的小安全漏洞及相应的攻击方式

Web应用系统的小安全漏洞及相应的攻击方式

1 写作目的 本文讲述一个简单的利用WebAPI来进行一次基本没有破坏力的“黑客”行为。 主要目的如下： 了解什么叫安全漏洞知道什么是api了解一些获取api的工具通过对API的认识了解白盒接口测试基本概念和技术 免责声明： 本文主要是以学习交流为目的…
阅读更多...
盘点63个Python登录第三方源码Python爱好者不容错过

盘点63个Python登录第三方源码Python爱好者不容错过

盘点63个Python登录第三方源码Python爱好者不容错过 学习知识费力气，收集整理更不易。 知识付费甚欢喜，为咱码农谋福利。 链接：https://pan.baidu.com/s/1l7oooH9YovHmWzQ_58FRdg?pwd8888 提取码：8888 项目名称 A headless…
阅读更多...
11-23 SSM4

11-23 SSM4

Ajax 同步请求 ：全局刷新的方式 -> synchronous请求 客户端发一个请求，服务器响应之后你客户端才能继续后续操作，请求二响应完之后才能发送后续的请求，依次类推 有点：服务器负载较小，但是由于服务器相应…
阅读更多...
Vue3+Ts实现聊天机器人(chatBot-附代码)

Vue3+Ts实现聊天机器人(chatBot-附代码)

一：项目介绍 本次实验主要涉及到的技术是 Vue3 Ts，当然其中也有部分是 Vue2 格式的代码以及 json 和 CSS 布局等。本来是想仿照 文心一言 来开发的一个聊天机器人案例。结果由于时间不足，可能只是做出来了一个半成品。不过核心功能是有的。由…
阅读更多...
浅谈安科瑞智能照明系统在马来西亚国家石油公司项目的应用

浅谈安科瑞智能照明系统在马来西亚国家石油公司项目的应用

摘要：随着社会经济的发展及网络技术、通信技术的提高，人们对照明设计提出了新的要求，它不仅要控制照明光源的发光时间、 亮度，而且与其它系统来配合不同的应用场合做出相应的灯光场景。本文介绍了马亚西亚石油公司智能照明项目的应…
阅读更多...
tp8 使用rabbitMQ（2）工作队列

tp8 使用rabbitMQ（2）工作队列

代码的参数说明在 第一小节的代码中，如果需要可移步到第一节中查看 工作队列 工作队列（又称：任务队列——Task Queues）是为了避免等待一些占用大量资源、时间的操作。当我们把任务（Task）当作消息发送到队列…
阅读更多...
推荐一款png图片打包plist工具pngPackerGUI_V2.0

推荐一款png图片打包plist工具pngPackerGUI_V2.0

png图片打包plist工具，手把手教你使用pngPackerGUI_V2.0 此软件是在pngpacker_V1.1软件基础之后，开发的界面化操作软件，方便不太懂命令行的小白快捷上手使用。1.下载并解压缩软件，得到如下目录，双击打开 pngPackerGUI.…
阅读更多...
使用paddleocr进行OCR文字识别

使用paddleocr进行OCR文字识别

1 OCR介绍 OCR（Optical Character Recognition）即光学字符识别，是一种将不同类型的文档（如扫描的纸质文件、PDF文件或图像文件中的文本）转换成可编辑和可搜索的数据的技术。OCR技术能够识别和转换印刷或手写文字&…
阅读更多...
Python接口自动化测试——如何搭建测试环境

Python接口自动化测试——如何搭建测试环境

前言 接口测试的方式有很多，比如可以用工具（jmeter,postman）之类，也可以自己写代码进行接口测试，工具的使用相对来说都比较简单，重点是要搞清楚项目接口的协议是什么，然后有针对性的进行选择&a…
阅读更多...
NF是哪个国家品牌？韩国NF-耐福功放芯片介绍

NF是哪个国家品牌？韩国NF-耐福功放芯片介绍

NF是韩国一家专注于数字音频芯片领域公司旗下的数字功放IC品牌，2008年开始进入中国市场，ISweek工采网作为其代理商；在国内简称：韩国NF，又被称耐福、耐福NTP功放芯片；国内长虹、TCL、海信、小豹AI音箱、腾讯…
阅读更多...
SQL进阶学习

SQL进阶学习

1.[NISACTF 2022]join-us sql报错注入和联合注入 过滤： as IF rand() LEFT by updatesubstring handler union floor benchmark COLUMN UPDATE & sys.schema_auto_increment_columns && 11 database case AND right CAST FLOOR left updatexml DATABA…
阅读更多...
selenium 简单案例 ＜批量下载文件＞ ＜网页自动化点击上报＞

selenium 简单案例 ＜批量下载文件＞ ＜网页自动化点击上报＞

一、批量下载文件 网页分析 点击跳转到下载页面 from selenium import webdriver import timedef get_link_list():# 创建浏览器对象driver webdriver.Chrome(executable_pathrC:\Users\nlp_1\Desktop\chromedriver\chromedriver-win32\chromedriver.exe)url https://www…
阅读更多...
微信报名怎么做_轻松便捷的数字化报名体验

微信报名怎么做_轻松便捷的数字化报名体验

微信报名：轻松便捷的数字化报名体验 在这个数字化时代，微信已经成为我们生活中不可或缺的一部分。它不仅仅是一个社交平台，更是一个功能强大的综合性工具。其中，微信报名功能更是给我们的生活带来了极大的便利。本文将详细介绍微…
阅读更多...
Django之cookie和session

Django之cookie和session

文章目录 Cookie的介绍Cookie的由来什么是CookieCookie原理Cookie覆盖浏览器查看Cookie 在Django中操作Cookie设置Cookie查询浏览器携带的Cookie删除Cookie Cookie校验登录sessionSession的由来Session设置查看、更新Session值删除Session值Seesion的其他方法Session的其他配置…
阅读更多...
扩展外部eMMC存储

扩展外部eMMC存储

By Toradex胡珊逢 简介 存储器的嵌入式设备中扮演着重要角色，上面不仅安装有操作系统，同时也保存着应用程序和运行日志等。对于存储器如 eMMC，写入的数据量决定其使用寿命，对于有大量日志记录的应用，通常可以选用一个…
阅读更多...
cefsharp119.4.30(cef119.4.3，Chromium119.0.6045.159)版本升级体验支持H264及其他多个H264版本

cefsharp119.4.30(cef119.4.3，Chromium119.0.6045.159)版本升级体验支持H264及其他多个H264版本

Cefsharp119.4.30,cef119.4.3,Chromium119.0.6045.159 此更新包括一个高优先级安全更新 This update includes a high priority security update. 说明：此版本119.4.3支持H264视频播放(需要联系我)，其他版本。.NETFramework 4.6.2 NuGet Gallery | CefSharp.WinForms 119.…
阅读更多...
运动规划Motion-Planning随笔

运动规划Motion-Planning随笔

online verification技术 实时安全校验技术：留一手 首先计算能否通过刹车这种方式得到一条安全轨迹，（让速不让道），当刹车有可能碰撞到行人或其他车辆时，则判断变道是否会产生碰撞。如果能变道&#xff0…
阅读更多...
「 系统设计 」 为什么要做架构分层？

「 系统设计 」 为什么要做架构分层？

「 系统设计 」 为什么要做架构分层？ 参考&鸣谢 3.设计模式之分层思维：为什么要做代码分层架构？ 从零开始学架构（八）分层架构和设计模式 架构模式之分层架构总结 文章目录 「 系统设计 」 为什么要做架构分层&…
阅读更多...
IT支持团队的绩效指标和最佳实践

IT支持团队的绩效指标和最佳实践

一名员工在远程时因笔记本问题寻求IT支持，尽管他们多次尝试排除故障，但由于缺乏专业知识，最终还是无法访问工作所需的应用程序。这时，他们需要一名专业的 IT 技术人员来指导他们，但他们只能等待有人注意到并回应他们的…
阅读更多...
海报设计必备：揭秘5款炙手可热的设计工具

海报设计必备：揭秘5款炙手可热的设计工具

1.即时设计：能实现在线协作的海报设计软件 即时设计作为 2020 年上线的国产设计工具，目前已经有了超百万的注册用户，获得了广大设计师的一致好评。与其他传统海报设计软件相比，即时设计具有这几个优点：一是所有功能都…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023