2025年3月6日 星期四

Python 18 小時入門--第 13 小時：Python 深度學習入門（Deep Learning with TensorFlow & Keras）

 📌 第 13 小時：Python 深度學習入門（Deep Learning with TensorFlow & Keras）

深度學習（Deep Learning）是機器學習的進階技術，使用人工神經網路（Artificial Neural Networks, ANN） 模擬人腦的學習方式。Python 提供 TensorFlow 和 Keras 來構建強大的深度學習模型。本章將介紹：

  1. 深度學習概念
  2. 安裝 TensorFlow & Keras
  3. 建立神經網路（ANN）
  4. 訓練影像分類模型（CNN）
  5. 自然語言處理（NLP）
  6. 模型評估與改進

🔹 1. 深度學習概念

深度學習基於 人工神經網路（ANN），模擬大腦神經元的工作方式，主要用於：

  • 影像辨識（CNN）：人臉識別、醫學影像分析
  • 自然語言處理（NLP）：聊天機器人、語音辨識、翻譯
  • 強化學習（Reinforcement Learning）：自駕車、遊戲 AI

🔹 神經網路的基本結構

  1. 輸入層（Input Layer）：負責接收數據
  2. 隱藏層（Hidden Layers）：透過 神經元（Neurons） 進行特徵學習
  3. 輸出層（Output Layer）：產生預測結果

📌 深度學習的關鍵技術：

  • 激活函數（Activation Function）：如 ReLU、Sigmoid、Softmax
  • 損失函數（Loss Function）：衡量模型錯誤程度
  • 優化器（Optimizer）：如 SGD、Adam，負責模型學習

🔹 2. 安裝 TensorFlow & Keras

TensorFlow 是 Google 開發的深度學習框架，Keras 是其高階 API，可快速建立神經網路。

🟢 安裝 TensorFlow

pip install tensorflow

🟢 檢查 TensorFlow 是否成功安裝

import tensorflow as tf
print(tf.__version__)  # 檢查 TensorFlow 版本

🔹 3. 建立簡單的神經網路

我們將使用 Keras 建立 人工神經網路（ANN） 來預測 手寫數字辨識（MNIST）。

🟢 讀取數據

from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical

# 下載 MNIST 手寫數字資料集
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# 正規化數據（0~255 → 0~1）
X_train, X_test = X_train / 255.0, X_test / 255.0

# One-hot 編碼
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

🟢 建立 ANN 模型

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten

model = Sequential([
    Flatten(input_shape=(28, 28)),  # 轉換 28x28 圖片為 1D 向量
    Dense(128, activation="relu"),  # 隱藏層
    Dense(10, activation="softmax")  # 輸出層（10 類別）
])

model.compile(optimizer="adam", loss="categorical_crossentropy", metrics=["accuracy"])
model.summary()  # 顯示模型架構

🟢 訓練模型

model.fit(X_train, y_train, epochs=10, validation_data=(X_test, y_test))

📌 每個 epoch 表示模型掃描完整數據集一次，訓練 10 次。

🔹 4. 訓練卷積神經網路（CNN）

卷積神經網路（Convolutional Neural Network, CNN）專門用於 影像辨識，我們來建立 CNN 來辨識手寫數字。

🟢 建立 CNN 模型

from tensorflow.keras.layers import Conv2D, MaxPooling2D

model = Sequential([
    Conv2D(32, (3,3), activation="relu", input_shape=(28,28,1)),  # 卷積層
    MaxPooling2D((2,2)),  # 池化層
    Flatten(),
    Dense(128, activation="relu"),
    Dense(10, activation="softmax")
])

model.compile(optimizer="adam", loss="categorical_crossentropy", metrics=["accuracy"])
model.fit(X_train.reshape(-1,28,28,1), y_train, epochs=10, validation_data=(X_test.reshape(-1,28,28,1), y_test))

📌 CNN 由 卷積層（Conv2D）+ 池化層（MaxPooling2D）+ 全連接層（Dense） 組成，可擷取影像特徵。

🔹 5. 自然語言處理（NLP）

NLP 主要處理 文字數據，如 情感分析、機器翻譯、聊天機器人。

🟢 使用 TensorFlow 進行 NLP

from tensorflow.keras.preprocessing.text import Tokenizer

texts = ["I love Python", "Deep Learning is amazing", "NLP is fun"]
tokenizer = Tokenizer(num_words=1000)
tokenizer.fit_on_texts(texts)

word_index = tokenizer.word_index
print(word_index)  # 顯示單字索引

📌 Tokenizer 可將文字轉換為數字序列，便於神經網路訓練。

🔹 6. 模型評估與調整

🟢 模型評估

loss, accuracy = model.evaluate(X_test.reshape(-1,28,28,1), y_test)
print(f"測試集準確率: {accuracy:.2f}")

🟢 避免過擬合（Overfitting）

過擬合（Overfitting）是指模型在訓練集表現很好，但測試集效果差，解決方法：

  • 加入 Dropout 層：隨機忽略部分神經元，增加模型泛化能力
from tensorflow.keras.layers import Dropout

model.add(Dropout(0.5))  # 50% 隨機忽略
  • 增加數據增強（Data Augmentation）
from tensorflow.keras.preprocessing.image import ImageDataGenerator

datagen = ImageDataGenerator(rotation_range=10, zoom_range=0.1)
datagen.fit(X_train.reshape(-1,28,28,1))

📌 第 13 小時小結

✅ 深度學習基於人工神經網路（ANN）與卷積神經網路（CNN）
✅ TensorFlow 和 Keras 提供高效的深度學習框架
✅ Sequential() 建立神經網路，Dense() 定義神經元層
✅ model.fit() 訓練模型，model.evaluate() 測試模型
✅ Conv2D() 卷積層專門用於影像辨識
✅ 避免過擬合的方法：Dropout、Data Augmentation

學完這一章，你已掌握 深度學習基礎與 Python 實作，下一步將學習 人工智慧應用（AI + Chatbot），讓你的 Python 能與人類對話！🚀

沒有留言:

張貼留言

訂閱： 張貼留言 (Atom)