Umelá inteligencia sa učí počítať

V minulom zápisku sme zistili, že sa neurónová sieť vie naučiť rozhodovať čo je a čo nie je naša mama. Teraz sa na neurónové siete pozrieme "matematickejšie".

Tieto zápisky strieľam úplne od pása a sám netuším čo bude v ďalšom, alebo aj v tomtom zápisku.

Úvod

Tak trochu sa vrátime k zápisku "Je tento svet dopredu daný? Je vôbec možnosť ovplyvniť to čo sa deje?"

Na začiatok sa pokúsime overiť, či sa umelé neuróny naozaj dokážu natočiť podľa dát. Takže do neurónovej siete nasypeme čísla, vždy dve čísla spočítame a ukážeme jej výsledok a uvidíme či sa naučí počítať aj ona. Samozrejme si overíme či dokáže spočítaj aj páry, alebo čísla ktoré nevidela.

Krok stranou ⏯

Aby sme si umelú inteligenciu mohli vyskúšať aj na starom počítači, tak si ju môžeme spustiť cez prehliadač na nejakom vzdialenom servery. Existujú platené služby, ale poznám aj jednu neplatenú mno je to od Google a to Colab. Ako poznáme Google od NSA, všetko sledujú, tak bacha ;-)



Priamy link na colab s notebookom https://colab.research.google.com/drive/1nqx5VVVxcG0JfBUOdJELhEpq_ggO-7QL

Kód

Ak si chceme kód vyskúšať lokálne, naklonujeme si hotový kód:

git clone https://github.com/bedna-KU/Keras---addition-of-two-numbers.git

Vstúpime do projektu:

cd Keras---addition-of-two-numbers

V súbore main.py nájdeme klasický pythonový script a v súbore Keras_addition_of_two_numbers.ipynb Jupyter Notebook, ktorý som spomínal vyššie.

Nainštalujeme si závislosti:

python3 -m pip install -r requirements.txt

Pozrieme sa do kódu main.py.

Vo funkcií create_triples (count, max) si vygenerujeme trojice: jedno číslo, druhé číslo a ich súčet.

Funkcie normalize (value, max) a denormalize (value, max) nám prevedú čísla na čísla v rozmedzí 0 až 1 a späť.

Funkcia model_create (). Nám vytvorí doprednú neuronovú sieť (Feedforward neural network).

Funkcia model_train (model) Spustí učenie sa siete.

Funkcia save_model (m, filename) uloží natrénový model s váhami.

Podľa premennej load_model_status sa spustí učenie, alebo sa nahrajú už naučené váhy.

V riadku testresult = model.predict (x2, verbose = 0)
prebieha predikcia.
A na záver zobrazenie výsledku:

print ('Count      Number1        Number2       Total            Right           Error')
for i in range (len (testresult)):
    number1 = denormalize (x2[i][0], MAX_VALUE_TEST)
    number2 = denormalize (x2[i][1], MAX_VALUE_TEST)
    total = denormalize (testresult[i][0], MAX_VALUE_TEST)
    print ('{:4d}. {:12.3f} + {:12.3f} = {:12.3f} === {:12.3f} {:12.3f}'.format (
		i + 1, number1, number2, total, number1 + number2, abs(total - (number1 + number2)))
	)

Hranie sa s neurónovou sieťou

V nastavení parametrov máme zvolenú aktivačnú funkciu linear, ale môžeme vyskúšať hocijakú inú a sledovať ako dobre, alebo horšie sa sieť učí. Tu je popis aj s obrázkami.

Ďalej si môžeme vyskúšať ako moc bude sieť chybovať, keď testovacie dáta budú omnoho väčšie ako na ktorých sa sieť učila. Sieť učíme na číslach v rozmedzí od 0 do 500:

MAX_VALUE_TRAIN = 500

a môžeme vyskúšať ako spočíta desať krát vyššie čísla:

MAX_VALUE_TEST = 5000

Ďalej môžeme namiesto sčítavania:

result.append (sum (numbers[n]))

použiť inú matematickú operáciu a sledovať ako sa sieť učí:

result.append (numbers[0][n] * numbers[1][n])

Hrajte sa a spoznávajte. Môžete napríklad zmeniť v PARAMETERS zmeniť počet opakovaní EPOCHS = 50 učenia sa. Môžete zmeniť počet vrstiev v modele, šírku vrstiev a čo vás len napadne.

Záver

Dnes sme sa presvedčili, že sa neurónová sieť dokáže naučiť na hocijaké dáta a dokáže spoľahlivo predpovedať aj výsledky dát ktoré nikdy nevidela.

Nabudúce by som chcel, aby sme si skúsili, či sa nám podarí vidieť do budúcnosti na nejakom datasete z reálneho sveta. Netvrdím, že ma predtým nenapadne niečo zaujímavešie, tak sa necháme všetci prekvapiť ako to dopadne :)

Niektoré teórie tvrdia, že neexistuje nesprávne rozhodnutie, pretože nech sa rozhodneme hocijako, veci dopadnú to tak ako mali.

Poznáme to aj z fyziky.

Prílohy

• Byli_jednou_dva_pisari-knizku_aj_s_obrazky_1.mp4 (3.1 MB)

---