Rede Chapeuzinho Vermelho - Parte 1

Definição da rede

Para criar uma rede neural multicamadas ("MLP" - Multilayer Perceptron) usando a biblioteca Keras no Python, com 6 elementos de entrada, 3 neurônios em cada camada oculta e 7 neurônios na camada de saída, você pode seguir o exemplo abaixo.

Obs.: clicar aqui se você deseja saber como instalar TensorFlow e Keras no seu sistema.

Vamos usar a função de ativação sigmoidal em todas as camadas, exceto na camada de saída, onde também usaremos a sigmoidal para garantir que os valores de saída estejam entre 0 e 1.

Mais informações sobre Funções de Ativação, clicar aqui .

Aqui está o código:

​x
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
​
# Definindo o modelo
model = Sequential()
​
# Camada de entrada e primeira camada oculta
model.add(Dense(units=3, input_dim=6, activation='sigmoid'))
​
# Segunda camada oculta
model.add(Dense(units=3, activation='sigmoid'))
​
# Camada de saída
model.add(Dense(units=7, activation='sigmoid'))
​
# Compilando o modelo
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
​
# Resumo do modelo
model.summary()

Explicação do código

1. Importações:

   • tensorflow e keras são importados para criar e treinar a rede neural.
   • Sequential é usado para criar um modelo sequencial, onde as camadas são adicionadas uma após a outra.
   • Dense é usado para criar camadas totalmente conectadas.

2. Definição do modelo:

   • model = Sequential(): Inicializa um modelo sequencial.
   • model.add(Dense(units=3, input_dim=6, activation='sigmoid')): Adiciona a primeira camada oculta com 3 neurônios e 6 entradas. A função de ativação sigmoidal é usada.
   • model.add(Dense(units=3, activation='sigmoid')): Adiciona a segunda camada oculta com 3 neurônios.
   • model.add(Dense(units=7, activation='sigmoid')): Adiciona a camada de saída com 7

3. Função de ativação sigmoidal:

   • A função de ativação sigmoidal é usada tanto na camada oculta quanto na camada de saída, garantindo que os valores de saída estejam no intervalo $[0, 1]$.
   • Keras possui várias opções de Funções de Ativação — clique [aqui] para ver.

4. Compilação do modelo:

   • model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']): Compila o modelo com o otimizador adam, a função de perda binary_crossentropy (adequada para problemas de classificação binária) e a métrica de acurácia.

5. Resumo do modelo:

   • model.summary(): Exibe um resumo da arquitetura da rede neural, mostrando o número de parâmetros em cada camada.

Considerações

• Entrada binária: Como a entrada é binária (0 ou 1), a função de ativação sigmoidal é adequada para mapear os valores de entrada para um intervalo entre 0 e 1.
• Saída entre 0 e 1: A função de ativação sigmoidal na camada de saída garante que os valores de saída estejam no intervalo [0, 1].

Treinamento

Para treinar o modelo, você precisará de dados de treinamento e rótulos. Aqui está um exemplo de como você pode treinar o modelo:

xxxxxxxxxx
# Dados de exemplo (6 características binárias)
X_train = [[0, 1, 0, 1, 0, 1], [1, 0, 1, 0, 1, 0], [0, 0, 1, 1, 0, 0]]
y_train = [[0, 1, 0, 1, 0, 1, 0], [1, 0, 1, 0, 1, 0, 1], [0, 0, 1, 1, 0, 0, 1]]
​
# Treinando o modelo
model.fit(X_train, y_train, epochs=10, batch_size=1)

• X_train: Dados de treinamento com 6 características binárias.
• y_train: Rótulos de treinamento com 7 saídas esperadas.
• epochs=10: Número de épocas de treinamento.
• batch_size=1: Tamanho do lote para o treinamento.

Este é um exemplo básico. Dependendo do seu problema, você pode precisar ajustar o número de épocas, o tamanho do lote, ou até mesmo a arquitetura da rede.

Segue para: Parte 2...

17/03/2025