بناء شبكة عصبية باستخدام Keras Sequential - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

['Elephant', 'Duck', 'Monkey', 'Cow', 'Sheep', 'Wolf', 'Tiger', 'Deer', 'Cat', 'Lion', 'Rabbit', 'Panda', 'Pigeon', 'Chicken', 'Eagle', 'Bear'] ['Panda' 'Pigeon' 'Monkey' 'Panda' 'Sheep'] [11 12 2 11 4]

ويمكن الآن استخدام أداة Sequential (التتابع) من مكتبة Keras لبناء شبكة عصبية في شكل طبقات متتابعة.

from keras.models import Sequential # used to build neural networks as sequences of layers # every neuron in a dense layer is connected to every other neuron in the previous layer. from keras.layers import Dense # builds a sequential stack of layers model = Sequential() # adds a dense hidden layer with 200 neurons, and the ReLU activation function. model.add(Dense(200, input_shape=(X_train_hog.shape[1],), activation='relu')) # adds a dense output layer and the softmax activation function. model.add(Dense(len(classes), activation='softmax')) model.summary()

عدد الخلايا العصبية في الطبقة المخفية يعتمد على الخيار الذي يُتخذ عند التصميم، وعدد الفئات يحدد عدد الخلايا العصبية في طبقة المخرجات.

يكشف ملخص النموذج عن العدد الإجمالي للمتغيرات التي يجب أن يتعلمها النموذج من خلال ضبطها على بيانات التدريب، وبما أن المدخلات تحتوي على ثمانية آلاف ومئة (8,100) مُدخل، وهي أبعاد صور المخطط التكراري للتدرجات الموجهة X_train_hog، وتحتوي الطبقة المخفية على مئتي خلية عصبية، وهي طبقة كثيفة متصلة بالمدخلات اتصالاً كاملاً، فإن المجموع 1,620,000 = 200 × 8,100 وصلة موزونة يجب تعلم أوزانها (متغيراتها). تمت إضافة مئتي متغير تحيز (Bias) إضافي، بواقع متغير لكل خلية عصبية في الطبقة المخفية. وتُعتبر التغيرات هو قيمة تُضاف إلى مُدخلات كل خلية عصبية في الشبكة العصبية. وتُستخدم لتوجيه دالة تنشيط الخلايا العصبية إلى الجانب السلبي أو الإيجابي، مما يسمح للشبكة بنمذجة علاقات أكثر تعقيدًا بين بيانات المدخلات وعناوين المخرجات.

وزارة التعليم Ministry of Education 2023 - 1447 212

['Elephant', 'Duck', 'Monkey', 'Cow', 'Sheep', 'Wolf', 'Tiger', 'Deer', 'Cat', 'Lion', 'Rabbit', 'Panda', 'Pigeon', 'Chicken', 'Eagle', 'Bear']['Panda' 'Pigeon' 'Monkey' 'Panda' 'Sheep'] [11 12 2 11 4]ويمكن الآن استخدام أداة Sequential (التتابع) من مكتبة Keras لبناء شبكة عصبية في شكل طبقات متتابعة.--- SECTION: Python Code Example --- from keras.models import Sequential # used to build neural networks as sequences of layers # every neuron in a dense layer is connected to every other neuron in the previous layer. from keras.layers import Dense# builds a sequential stack of layers model = Sequential() # adds a dense hidden layer with 200 neurons, and the ReLU activation function. model.add(Dense(200, input_shape=(X_train_hog.shape[1],), activation='relu')) # adds a dense output layer and the softmax activation function. model.add(Dense(len(classes), activation='softmax')) model.summary()عدد الخلايا العصبية في الطبقة المخفية يعتمد على الخيار الذي يُتخذ عند التصميم، وعدد الفئات يحدد عدد الخلايا العصبية في طبقة المخرجات.يكشف ملخص النموذج عن العدد الإجمالي للمتغيرات التي يجب أن يتعلمها النموذج من خلال ضبطها على بيانات التدريب، وبما أن المدخلات تحتوي على ثمانية آلاف ومئة (8,100) مُدخل، وهي أبعاد صور المخطط التكراري للتدرجات الموجهة X_train_hog، وتحتوي الطبقة المخفية على مئتي خلية عصبية، وهي طبقة كثيفة متصلة بالمدخلات اتصالاً كاملاً، فإن المجموع 1,620,000 = 200 × 8,100 وصلة موزونة يجب تعلم أوزانها (متغيراتها). تمت إضافة مئتي متغير تحيز (Bias) إضافي، بواقع متغير لكل خلية عصبية في الطبقة المخفية. وتُعتبر التغيرات هو قيمة تُضاف إلى مُدخلات كل خلية عصبية في الشبكة العصبية. وتُستخدم لتوجيه دالة تنشيط الخلايا العصبية إلى الجانب السلبي أو الإيجابي، مما يسمح للشبكة بنمذجة علاقات أكثر تعقيدًا بين بيانات المدخلات وعناوين المخرجات.2023 - 1447--- VISUAL CONTEXT --- **TABLE**: Model: "sequential" Description: Summary of a Keras Sequential neural network model, showing layer types, output shapes, and parameter counts. Table Structure: Headers: Layer (type) | Output Shape | Param # Rows: Row 1: dense (Dense) | (None, 200) | 1620200 Row 2: dense_1 (Dense) | (None, 16) | 3216 Data: The table details two dense layers. The first dense layer has an output shape of (None, 200) and 1,620,200 parameters. The second dense layer (dense_1) has an output shape of (None, 16) and 3,216 parameters. The total number of parameters is 1,623,416, all of which are trainable. Key Values: Total params: 1,623,416, Trainable params: 1,623,416, Non-trainable params: 0 Context: This table provides a summary of the neural network architecture defined by the Keras code, detailing the layers, their output dimensions, and the number of learnable parameters, which is crucial for understanding model complexity and training requirements.