文章目錄
在這篇文章中，我們將 Step by Step 帶大家建立一個簡單的神經網路模型來進行線性回歸預測的過程。這個專案目的在幫助初學者理解神經網路的基本概念，並學會使用 Python、TensorFlow 及 NumPy 來開發簡單的 AI 預測模型，並獲得實際操作經驗。現在就讓我們按步驟來看看整個開發過程。
- 專案目的：幫助初學者從理解神經網路的基本概念到簡單實作，實際動手建立自己的第一個神經網路模型。
- 開發環境：可參考在 Google Colab 或 Jupyter Notebook 開發環境中練習。
- 使用環境：桌機或NB
- 參考資料：【從 AI 到 生成式 AI：40 個零程式的實作體驗，培養新世代人工智慧素養】 觀念講解、Python for Beginners 、NumPy 程式講解。
1. 學習目標
在這個專案中，我們將完成以下學習目標：
- 理解神經網路的基本結構和工作原理。
- 掌握神經網路的訓練流程，包括數據準備、模型訓練及預測評估。
- 學習如何選擇合適的損失函數和優化器。
- 進行模型的預測和評估。
2. 步驟說明
Step 1. 導入所需函式庫(Library)
首先，我們需要導入 TensorFlow 和 NumPy 函式庫。這些函式庫是進行資料科學及機器學習的基石，提供了建構和訓練神經網路所需的工具和函數。
Step 2. 建立模型
我們使用 Keras 建立一個序列模型(Sequential Model)，並添加一個全連接層(Fully-Connected Layer (FC)，也叫做 Dense Layer)，來作為我們的網路層，該層單位數為 1，輸入維度為 1。這是一種簡單直觀的模型類型，非常適合初學者。
Step 3. 編譯模型
在訓練模型之前，我們需要透過 compile 方法來配置學習過程。這包括定義損失函數(Loss Function)和優化器(Optimizer)。我們使用隨機梯度下降(Stochastic Gradient Descent, SGD)做為優化器，並選擇均方誤差(Mean Squared Error, MSE)做為損失函數來編譯模型。
Step 4. 準備訓練數據
我們使用 NumPy 來建立兩個簡單陣列做為訓練數據，這些數據集將用於訓練神經網路模型。
Step 5. 訓練模型
接下來，我們使用 fit 方法來訓練模型，這個過程中模型將學習如何將輸入映射到輸出。並且使用前面準備的數據來訓練模型，此範例設置運行 500 個訓練週期，讀者可以根據自己需求調整訓練週期並觀察模型訓練效果。
Step 6. 進行預測
訓練完成後，我們可以使用 predict 方法來預測新的輸入值，並檢驗模型的預測能力。讀者也可以調整其他輸入值來看看預測結果。
輸出預測值如下：
到目前為止，你已經完成一個簡單的神經網路。細心的讀者有沒有發現，原訓練資料其實是一個 y = 3x + 1 的直線方程式，所以當 x = 10 時，答案會是 31。
但在沒有告知神經網路這些訓練資料的關聯性時，它卻可以根據提供的訓練資料訓練出一個模型，讓它極接近這個直線方程式的關係。以上述為例，當 10 提供給模型預測時，得到一個預測值 31.000237 (每位讀者的答案不會一樣，但會很接近)，並且很接近實際值 31，，是不是非常有趣。
我們也可以試著輸入其他值，例如 x = 25，得到 76.00075，很接近實際值 76。
例如 x =35 時，得到 106.0011，很接近實際值 106。
整個專案都可以在 Google Colab 或 Jupyter Notebook 環境中進行，非常方便。若對這些環境還不熟可以參考這幾篇文章。如果想要學習 Python 則可以參考 Python for Beginners 或 NumPy 等文章。
3. 心得與結論
透過這個專案，我們學習到了如何建立及訓練一個簡單的神經網路模型來進行線性回歸預測。同時了解神經網絡的基本結構、選擇合適的損失函數和優化器，以及如何準備數據和訓練模型。這個經驗對於理解深度學習的基本概念和流程非常重要。
在實際操作中，我們可以發現即使是一個非常簡單的神經網路也能有效地學習從輸入到輸出的映射關係。這證明了神經網路在解決各種問題上的強大能力，即使是在只有少量數據的情況下也能達到令人滿意的結果。此外，透過調整訓練過程中的參數(例如，增加訓練的迭代次數)，我們可以觀察到模型性能的改變，進而更深入地理解模型訓練的過程和動態。
最後，這個專案不僅增強了我們對神經網路基礎的理解，也為進一步探索更複雜的深度學習模型奠定了不錯的基礎。並有助於初學者在人工智慧領域的進一步學習和研究。總結來說，這個專案介紹了使用神經網路進行線性回歸預測的過程，是一個非常好的入門範例，適合初學者透過實作來學習和理解深度學習的基本原理和方法。
如果大家想要了解人工智慧、機器學習、深度學習及神經網路相關基礎知識，可以參考這一本書【從 AI 到 生成式 AI：40 個零程式的實作體驗，培養新世代人工智慧素養】，它將帶領讀者在不會程式、不會數學也OK!的情況下，建立最完整的 AI 入門知識。
如果你喜歡這篇文章歡迎訂閱、分享(請載名出處)與追蹤，並持續關注最新文章。同時 FB 及 IG 也會不定期提供國內外教育與科技新知。