Példa neurálishálózat modellezésére

import numpy as np

import tensorflow as tf

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Dense

# 1. Bemeneti és kimeneti adatok előkészítése (Tanítóhalmaz)

# Például egy logikai ÉS (AND) műveletet tanítunk meg a hálózaton.

# A bemenetek (X) párok, a kimenetek (y) pedig a várt eredmények.

X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=float)

y = np.array([[0], [0], [0], [1]], dtype=float)

# 2. A neurális hálózat felépítése

# A Sequential modell egy rétegek egymásutánjából álló hálózat.

model = Sequential([

    # Rejtett réteg: 4 neuron, bemeneti dimenzió: 2, aktivációs függvény: ReLU

    Dense(4, input_dim=2, activation='relu'),

    # Kimeneti réteg: 1 neuron, aktivációs függvény: Sigmoid (0 és 1 közötti értékhez)

    Dense(1, activation='sigmoid')

])

# 3. A modell lefordítása

# Meghatározzuk a veszteségfüggvényt (loss) és az optimalizálót (optimizer)

model.compile(optimizer='adam', 

              loss='binary_crossentropy', 

              metrics=['accuracy'])

# 4. A modell tanítása

# A hálózat 500 cikluson (epochs) keresztül tanulja a mintákat

print("A modell tanítása folyamatban...")

model.fit(X, y, epochs=500, verbose=0)

# 5. Predikció (Tesztelés)

# Megnézzük, hogy a hálózat jól tanult-e

print("\nPredikciók a tanítás után:")

predictions = model.predict(X)

for i in range(len(X)):

    print(f"Bemenet: {X[i]} | Elvárt: {y[i][0]} | Becsült eredmény: {predictions[i][0]:.4f}")