Давайте посмотрим на небольшие примеры кода, чтобы немного оживить теорию. Мы не будем создавать сложные проекты, а просто покажем базовые возможности каждого фреймворка.
1. Scikit-learn: Линейная регрессия
from sklearn.linear_model import LinearRegression
import numpy as np
# Данные для обучения (площадь дома и цена)
X = np.array([[50], [75], [100], [125], [150]]) # Площадь в квадратных метрах
y = np.array([200, 300, 400, 500, 600]) # Цена в тысячах долларов
# Создаем модель линейной регрессии
model = LinearRegression()
# Обучаем модель на данных
model.fit(X, y)
# Предсказываем цену для дома площадью 80 квадратных метров
price_prediction = model.predict([[80]])
print(f"Предсказанная цена для дома площадью 80 кв.м: {price_prediction[0]:.2f} тысяч долларов")
Этот код демонстрирует простейшую задачу линейной регрессии – предсказание цены дома на основе его площади. Scikit-learn делает это очень просто и понятно!
2. TensorFlow: Простая нейронная сеть для классификации цифр MNIST
import tensorflow as tf
# Загружаем датасет MNIST (набор рукописных цифр)
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
# Нормализуем данные (приводим значения пикселей к диапазону от 0 до 1)
x_train = x_train / 255.0
x_test = x_test / 255.0
# Создаем модель нейронной сети
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)), # Преобразуем изображение в одномерный массив
tf.keras.layers.Dense(128, activation='relu'), # Полносвязный слой с функцией активации ReLU
tf.keras.layers.Dense(10, activation='softmax') # Выходной слой с функцией активации softmax (для 10 классов цифр)
])
# Компилируем модель
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# Обучаем модель
model.fit(x_train, y_train, epochs=5)
# Оцениваем модель на тестовых данных
test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print('\nТочность на тестовых данных: {}'.format(test_acc))
Этот код создает простую нейронную сеть для классификации цифр из датасета MNIST. TensorFlow требует больше кода, чем Scikit-learn, но и предоставляет гораздо больше возможностей!
3. Keras: Та же нейронная сеть, но проще!
import keras
from keras.datasets import mnist
import numpy as np
# Загружаем датасет MNIST
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# Нормализуем данные
x_train = x_train / 255.0
x_test = x_test / 255.0
# Создаем модель нейронной сети
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10, activation='softmax')
])
# Компилируем модель
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# Обучаем модель
model.fit(x_train, y_train, epochs=5)
# Оцениваем модель
test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print('\nТочность на тестовых данных: {}'.format(test_acc))
Видите разницу? Keras делает код более лаконичным и читаемым! Он скрывает многие низкоуровневые детали TensorFlow.
4. PyTorch: Простая нейронная сеть для классификации
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader, TensorDataset
# Данные (пример)
X = torch.randn(100, 10) # Случайные данные
y = torch.randint(0, 2, (100,)) # Случайные метки классов (0 или 1)
# Создаем датасет и DataLoader
dataset = TensorDataset(X, y)
dataloader = DataLoader(dataset, batch_size=32)
# Определяем модель нейронной сети
class SimpleNN(nn.Module):
def __init__(self):
super(SimpleNN, self).__init__()
self.linear1 = nn.Linear(10, 5) # Линейный слой с 10 входами и 5 выходами
self.relu = nn.ReLU()
self.linear2 = nn.Linear(5, 2) # Линейный слой с 5 входами и 2 выходами
def forward(self, x):
x = self.linear1(x)
x = self.relu(x)
x = self.linear2(x)
return x
model = SimpleNN()
# Определяем функцию потерь и оптимизатор
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters())
# Обучаем модель
epochs = 10
for epoch in range(epochs):
for inputs, labels in dataloader:
outputs = model(inputs)
loss = criterion(outputs, labels)
optimizer.zero_grad() # Обнуляем градиенты
loss.backward() # Вычисляем градиенты
optimizer.step() # Обновляем параметры модели
print(f'Epoch {epoch+1}/{epochs}, Loss: {loss.item():.4f}')
PyTorch требует больше кода, чем Keras, но предоставляет большую гибкость и контроль над процессом обучения. Он позволяет вам создавать сложные архитектуры нейронных сетей и тонко настраивать параметры моделей.
Важно: Эти примеры очень простые и предназначены только для демонстрации базовых возможностей каждого фреймворка. В реальных проектах код будет гораздо сложнее! Но, надеюсь, эти примеры помогут вам начать свой путь в мире машинного обучения.





