Desenvolva uma rede neural para realizar a classificação (Programação em TensorFlow em português)

Neste tutorial, vamos mostrar como construir uma rede neural utilizando o TensorFlow para executar a classificação de dados. O TensorFlow é uma biblioteca de código aberto desenvolvida pelo Google que facilita a criação de modelos de aprendizagem profunda.

Para começar, certifique-se de que você tenha o TensorFlow instalado em seu ambiente de desenvolvimento. Você pode instalar o TensorFlow utilizando pip:

pip install tensorflow

Agora, vamos importar as bibliotecas necessárias e carregar os dados que serão utilizados para treinar a rede neural. Para este exemplo, vamos usar o conjunto de dados Iris, que contém dados sobre comprimento e largura das pétalas e sépalas de três diferentes tipos de flores.

import tensorflow as tf
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import OneHotEncoder

# Carregar o conjunto de dados Iris
iris = datasets.load_iris()
X = iris.data
y = iris.target.reshape(-1, 1)

# Dividir os dados em conjuntos de treinamento e teste
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# Codificar as saídas utilizando OneHotEncoder
encoder = OneHotEncoder()
y_train_enc = encoder.fit_transform(y_train).toarray()
y_test_enc = encoder.transform(y_test).toarray()

Agora que temos nossos dados carregados e preparados, vamos construir a arquitetura da nossa rede neural. Para isso, vamos utilizar a classe Sequential do TensorFlow, que permite adicionar camadas sequencialmente à rede neural.

model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(10, input_shape=(4,), activation='relu'),
    tf.keras.layers.Dense(10, activation='relu'),
    tf.keras.layers.Dense(3, activation='softmax')
])

Neste exemplo, estamos criando uma rede neural com duas camadas ocultas, cada uma com 10 neurônios e função de ativação ReLU, e uma camada de saída com 3 neurônios e função de ativação softmax, que é comumente utilizada em problemas de classificação.

Agora que a arquitetura da rede neural está definida, podemos compilar o modelo, especificando o otimizador, a função de perda e as métricas que serão utilizadas para avaliar o desempenho da rede.

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

Com o modelo compilado, podemos agora treinar a rede neural utilizando o método fit, especificando o conjunto de treinamento e o número de épocas.

model.fit(X_train, y_train_enc, epochs=100)

Após o treinamento, podemos avaliar o desempenho da rede utilizando o conjunto de teste.

loss, accuracy = model.evaluate(X_test, y_test_enc)
print(f'Acurácia do modelo: {accuracy}')

Por fim, podemos utilizar a rede neural treinada para realizar previsões em novos dados.

predictions = model.predict(X_test)

Este é um exemplo básico de como construir e treinar uma rede neural para executar a classificação de dados utilizando o TensorFlow. É importante ressaltar que a arquitetura da rede, o número de camadas, neurônios e a função de ativação podem variar dependendo do problema que deseja resolver. Experimente diferentes configurações para otimizar o desempenho do seu modelo.