Sieć MLP

Czym jest Sieć MLP?
(Multi-Layer Perceptron)

Model, który służy rozwiązaniu wyzwań, gdy przestrzeń wejściowa wymaga obróbki na poziomie abstrakcji nieliniowej poprzez warstwowe układy komórek ukrytych.

Warstwy Ukryte (Hidden Layers)
W architekturze stosujemy zestaw ukrytych reprezentacji połączonych gęsto z ujęciami badawczymi, powalając komórkom przekazywać macierze na głębsze partie i przetwarzać je operacjami matematycznymi pod rozpoznawanie form złożonych we wzorcach.
💡 Po ludzku: Jedna linia decyzyjna często nie radzi sobie z zawikłanymi zadaniami. Instalujemy setki linii, ułożonych za sobą jak w labiryncie. Jedna część szuka ogólnych plam koloru na zdjęciu psa, następna składa te plamy w nos, a ostania krzyczy "TO PIES!". To właśnie rewolucja Głębokiego Uczenia (Deep Learning).
Wsteczna Propagacja Błędu (Backpropagation)
Metoda wykorzystująca gradientowe wędrowanie za pomocą rachunku różniczkowego by poinformować i uregulować tysiące wewnętrznych obwodów wag sieci, wysyłając im powrotną sygnaturę uchybienia od strony predykcyjnej.
💡 Po ludzku: Sieć głęboka podejmuje na samym końcu decyzję, po czym orientuje się, że popełniła karygodny błąd. Fala niezadowolenia cofa się pod prąd kablami do samego początku, strofując poszczególne obwody, karząc im nieco skorygować wagi. Z każdym takim wybuchem wstecznego żalu sieć uczy się idealnego zestrojenia wszystkich pętli jednocześnie.
Wejście
Wyjście

Diagram ideowy propagacji danych pomiędzy złożonym algorytmem węzłów ukrytych w kolejnych gałęziach głębokiej sieci neuronowej.

Implementacja Modelów
(TensorFlow & Keras)

Skonstruowanie zoptymalizowanych matematycznie wektorów w bazowym języku Python byłoby zbyt obciążające zjawiskowo.

import tensorflow as tf
import keras
Wydajność operacyjna: TensorFlow jest ryczącym, silnikiem operacyjnym napisanym w C++ pod procesy liczące GPU. Posiada moduły analityczne automatycznych pochodnych cząstkowych. Z warstwy wysokopoziomowej wywołuje się to pod nazwą API `Keras`.
💡 Po ludzku: Podstawowy kod wyłożyłby procesor komputera w minutę przy takiej ilości działań. Pobieramy bezkompromisowe narzędzia od Google stworzone specjalnie dla inżynierów. Pracują one niesamowicie szybko w tle, a dla nas zostawiają ładny i przejrzysty panel dowodzenia (Keras), abyśmy nie musieli operować bezpośrednio skomplikowanym rynsztunkiem obliczeniowym.
⚙️
+
💠

Silnik wysokowydajnościowego oprogramowania numerycznego TensorFlow osadzony w estetyczne narzędzia warstw konstrukcyjnych Kerasa.

Zdefiniowanie Połączeń
(Dense i ReLU)

Dziedziczenie z wbudowanych mechanik abstrakcyjnych Kerasa służących ułatwieniu montażu topologii grafu neuronowego.

class MLPmodel(keras.Model):
def __init__(self):
super().__init__()
Główne Dziedziczenie: Użycie funkcji super-konstrukcyjnej powołuje obiekty monitorujące operacje gradientowe w trakcie epok zachowując modelową powłokę klas macierzystych Kerasa.
💡 Po ludzku: Mówimy programowi, że tworzymy nowy inteligentny twór, który po cichu dziedziczy i zyskuje wszystkie supermoce wbudowane oryginalnie w rdzeń analityczny systemu Keras, bez konieczności redefiniowania ich ręcznie.
self.warstwa1 = keras.layers.Dense(64, activation='relu')
Ustanowienie warstw Gęstych: Matryce łączeniowe wymuszają zjawisko gdzie każdy obiekt wyjściowy dociera odczytami do n-neuronów instancji. Na węzłach narzucono tu aktywator ReLU obcinający przepływ wyników o mianowniku ujemnym drastycznie obniżając zagęszczenie szumów w wektorze sygnałowym.
💡 Po ludzku: Tworzymy ścianę 64 sztucznych komórek decyzyjnych. Warstwa "Gęsta" oznacza, że każda jedna komórka jest podłączona kablem z absolutnie każdą informacją podaną na samym wejściu układu. Funkcja ReLU natomiast zachowuje się jak bezpiecznik o określonym kształcie przepuszczający dalej wyłącznie sygnał pozytywny, odcinając zera i wartości minusowe bez litości.

Rozdzielnia Gęsta (Dense). Węzły transmitują ułamki zmiennych z wejścia do każdego dostępnego podmiotu neuronowego szukając wzorców powiązanych.

📈 Porównanie Funkcji Aktywacji

Wybierz funkcję z listy, aby zobaczyć, jak przekształca sygnał wejściowy (Z) na wyjście (A).

Funkcja szans klasyfikacji
(Softmax)

Etap końcowego przejścia ukrytych surowych statystyk aktywacyjnych warstw głębokich na format czytelnej, sumarycznej proporcji decyzyjnej.

self.wyjscie = keras.layers.Dense(3, activation='softmax')
Warstwa wylotowa opiera na narzuconej liczbie instancji węzłowych odpowiadających gatunkom referencyjnym w zbiorze (np. 3 klasy). Rozkład pewności uzyskany z matematycznej asercji ułamkowej potęgowany jest filtrem krzywej euklidesowej w funkcji agregującej szanse na wektor dystrybuowany w proporcji % i rzędnych szans.
💡 Po ludzku: Sieć podaje surowe, zupełnie nieczytelne dla człowieka liczby siłowe dla poszczególnych klasyfikacji i wrzuca je do tego filtra. Softmax miażdży je sprawnie i wypycha pod postacią ułamków prawdopodobieństw, idealnie układających się do sumy wynoszącej 1 (100 procent ufności rozdzielone na warianty wyniku, zależnie od siły nacisku).
Val: 12.5 Val: -3.2 Val: 0.1
➔ Filtry e^z (Softmax) ➔
96.2% 0.2% 3.6%

Bezrozmiarowe wygięte parametry wewnętrzne przekształcone w rozkład predykcyjnych udziałów i szans decyzyjnych pewności modelu.

Przygotowanie mechaniczne
(Compile, Adam, Loss)

Załadowanie bibliotek pod testowanie rzędne modelu przed implementacją wektorów w samej pętli epokowej.

model.compile(
optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy']
)
Optymalizator Adam: Zstępowanie w elastyczny, adaptacyjny cykl gradientowy pozbawiony rygorystycznie wymuszonej sztywnej modyfikacji (LR). Optymalizator opiera wędrówkę na badaniach pędów różniczkowych z pochodnych w terenie by unikać ominięcia rzędów dolin na wykresach minimalizacji.

Krzyżowa Entropia Błędu: Obliczenie obiektywnych rzędnych skoków po ułamkach algorytmu klas decyzyjnych w zestawieniu wariancyjnym y (Crossentropy).
💡 Po ludzku: Zakładamy naszej architekturze wirtualny pas startowy. Adam to wyjątkowo nowoczesny silnik nawigacyjny dla wag uczącej się sieci, który sam przyspiesza kroki, jeśli widzi wielką dolinę w dół i subtelnie zwalnia na wąskich krawędziach spadku błędu. Parametr Loss to z kolei wielki bat pomiarowy uderzający sieć podczas testu za każde, nawet milimetrowe zawahanie procentowe po wyjściu z Softmaxa względem poprawnej diagnozy.

Zasady Preprocessingu
(StandardScaler)

Ustalenie norm wymiarowych na wartościach, by uniknąć dominacji skoków ułamkowych jednej miary pośród tablicy zestawu.

scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
Dostosowanie odchyleń wielowymiarowych wartości u wlotu na ustandaryzowaną macierz bliską marginesom wyzerowania. Wysokie nominalnie sygnały mogą zakłócać odbiory wag wejściowych pożerając ważniejsze odniesienia statystyczne u mniejszych liczb odniesienia z mniejszej skali w innych kolumnach. Preprocessing niweluje błędy proporcjonalności na starcie obróbki zestawów badawczych przed poddaniem propagacji wektorowej.
💡 Po ludzku: Różne liczby w kolumnach sieją spustoszenie w uczącym się mechanizmie wagi matematycznej, co jeśli mierzyliśmy jedne parametry pacjenta w tonach a ciśnienie tętnicze w dziesiątkach? Narzędzie Scaler miażdży i wygładza te gigantyczne wartości ekstremalne na małe poręczne ułamki z bezpiecznego pudełka cyfrowego, ale robi to na tyle sprytnie, że nie zmienia ich naturalnych proporcji czy powiązań między sobą. Sieci o wiele chętniej żują tak przygotowany posiłek.
180
2
➔
0.3
-0.1

Ogromne wahania sygnałów matematycznie zostały ujarzmione do rzędu z przedziału bezpiecznego odczytu utrzymując miarodajność.

Uruchamianie treningu
(Funkcja fit)

Skonfigurowanie uwarunkowań na parametry badawcze wprawiając wielopoziomowy proces matematyczny w rygor sprawdzania wag obwodowych.

history = model.fit(
X_train, y_train,
epochs=100, batch_size=16,
validation_split=0.1, verbose=1)
history: Metoda API logująca statystyki wykresów z błędami do tablic wyjściowych z każdą turą iteracji.
epochs: Cykliczne procesowanie całego zaplecza próbnego przez węzły badawcze po linii optymalizatorów dla ugruntowania bazy reguł abstrakcji w obwodzie wstecznym.
batch_size: Segmentowanie puli na ujednolicone ułamki przed zmianą wag odcinając drgawki matematyczne uchybień z pojedynczych wzorców (częstsza spójność).
validation_split: Wycięty w locie zapas z bazy próbnej służący monitorowaniu niezależnemu podczas procesu propagacji obarczającego obwody aby niwelować groźne zjawiaka na wyjściach tablic.
💡 Po ludzku: Uruchamiamy młynek numeryczny. Oprócz zlecenia ilości epok na naukę, ustalamy wielkość "paczek" (batch), w jakich dokumentacja będzie wpychana na stół dla sieci do wglądu naraz, aby utrzymać obiektywną rozpiętość opinii na błąd ogólny. Wycinamy też zapasowe ułamki danych z dokumentacji odkładając je od razu na bok bez pozwolenia na wgląd i ściąganie odpowiedzi, aby sprawdzić i oceniać szczerze czy na pewno rozumuje, zamiast uczyć się odpowiedzi na test na pamięć u wskaźników procentowych dokładności.
Loss: 1.5 Acc: 12%
Loss: 0.8 Acc: 55%
Loss: 0.2 Acc: 94%

Minimalizacja parametru strat Loss Entropy ukazuje postęp gradientowy i wzrost wskaźnika accuracy podczas każdej epoki.

Weryfikacja wysokiej aktywacji
(argmax)

Ujednolicenie wektorów do asercyjnej bazy klas u odczytów ze strumieni Softmax za pomocą wyciągnięcia sztywnych cyfr argumentacji do raportowania z modelu końcowego dla operatora.

y_pred_probs = model.predict(X_test)
Żądanie ewaluacyjne, którego wynik obciążony jest wynikiem list ułamkowych prawdopodobieństw rozdzielonych dla każdej z badanej referencji odrzutowo wg rozłożenia dystrybucji z kerasa (Probability).
💡 Po ludzku: Pobieramy bezpośredni wynik szacunkowy z modelu wyroczni na badany zbiór, przez co w dłoni ląduje potężna tablica wypchana niejednoznacznymi ułamkami matematycznymi i procentami pod wariant z puli dla badanej opcji.
y_pred = np.argmax(y_pred_probs, axis=1)
Użycie operatora badawczego wektorowo na czytnik osiowy (axis=1) powala zignorować niższe stany aktywacji macierzy by zapisać na twardo w asercji przyporządkowany referencyjnie wycinek w rzędzie testu np [1] bez narzutów szumów po filtrach.
💡 Po ludzku: Uruchamiamy prostego żniwiarza od zaufanej biblioteki analitycznej, który przechodzi sprawnie palcem po tabelkach z dystrybucji od lewej do prawej i bez oporów zachowuje indeks do pozycji absolutnego zwycięzcy procentowego na dane pytanie, wyrzucając do rynsztoka ułamkowe pomyłki szumowe z reszty pozycji po sąsiedzku aby wydać czytelny, finalny werdykt podsumowania kategorycznego dla raportów wyjściowych.

Interaktywny Plac Zabaw
(Zrozumienie Mechanizmów)

Praktyczna demonstracja obwodów Softmax oraz procesów decyzyjnych u osi klasyfikacyjnych. Sprawdź asercyjne wartości ułamkowe predykcji manipulując wejściem zmiennej za pomocą narzędzi.

Wektor Softmax [ y_pred_probs ]
[0.01, 0.94, 0.05]
Zsumowane proporcje szans u wariantów zawsze oscylują u pułapu stałego 1.0
↓ Wykorzystanie filtru osiowego np.argmax(axis=1) do wskazania szczytu szans ↓
Werdykt: Klasa Gatunkowa Versicolor (1)

Quiz końcowy

🎓 Sprawdź swoją wiedzę

Pytania z modułu. Wybierz poprawną odpowiedź.

1. Przykładowe pytanie?

Poprawna odpowiedź
Błędna odpowiedź