برنامه شبکه عصبی MLP با Iris در PyQt یک اپلیکیشن کاربرپسند است که پیاده‌سازی یک شبکه عصبی پرسپترون چندلایه (MLP) را با استفاده از TensorFlow و PyQt5 نشان می‌دهد. این برنامه به کاربران امکان می‌دهد تا به‌صورت تعاملی یک شبکه عصبی را بر روی مجموعه داده Iris آموزش دهند، فرآیند آموزش را مشاهده کنند و عملکرد مدل را ارزیابی نمایند. این محصول برای اهداف آموزشی ایده‌آل است و تجربه‌ای عملی در مفاهیم یادگیری ماشین و توسعه رابط کاربری گرافیکی (GUI) ارائه می‌دهد.
ویژگی‌های کلیدی
رابط کاربری تعاملی
- ساخته‌شده با PyQt5، این برنامه یک رابط گرافیکی بصری و مدرن ارائه می‌دهد که کاربران را قادر می‌سازد بدون نیاز به نوشتن کد، پارامترها را تنظیم کرده، Learning را آغاز کنند و نتایج را مشاهده نمایند.
شبکه عصبی قابل تنظیم
- کاربران می‌توانند مشخصات مدل را از طریق GUI تغییر دهند، از جمله:
- تعداد لایه‌های مخفی
- تعداد نورون‌ها در هر لایه
- نرخ یادگیری (Learning Rate)
- تعداد دوره‌های آموزشی (Epochs)
- تابع هزینه (Loss Function)
- تابع فعال‌سازی (Activation Function)
ثبت گزارش‌های آموزشی در زمان واقعی
- این برنامه در حین آموزش، گزارش‌هایی از جمله مقدار هزینه و دقت مدل در هر Epoch را ارائه می‌دهد.
بصری‌سازی فرآیند آموزش
- نمودارهای بلادرنگ از هزینه و دقت مدل در حین آموزش با استفاده از Matplotlib نمایش داده می‌شوند تا کاربران بتوانند عملکرد مدل را بهتر درک کنند.
استفاده از مجموعه داده Iris
- این برنامه از مجموعه داده کلاسیک Iris استفاده می‌کند که شامل 150 نمونه از گل‌های زنبق بوده و آن‌ها را بر اساس چهار ویژگی به سه کلاس مختلف دسته‌بندی می‌کند.
نحوه عملکرد برنامه
ورودی کاربر
- کاربران می‌توانند از طریق رابط گرافیکی پارامترهای مختلف مانند تعداد لایه‌های مخفی، تعداد نورون‌ها، نرخ یادگیری و تعداد Epochs را وارد کنند.
آماده‌سازی داده‌ها
- مجموعه داده Iris بارگذاری و پردازش می‌شود.
- برچسب‌ها به فرمت One-Hot Encoding تبدیل می‌شوند.
- داده‌ها به دو مجموعه آموزشی (Training) و آزمایشی (Testing) تقسیم می‌شوند.
آموزش مدل
- یک مدل شبکه عصبی بر اساس تنظیمات کاربر ساخته می‌شود و روی داده‌های آموزشی تمرین داده می‌شود.
- فرآیند آموزش در یک نخ جداگانه (Thread) اجرا می‌شود تا رابط کاربری بدون تأخیر باقی بماند.
ثبت گزارش‌های آموزشی در لحظه
- در حین آموزش، میزان هزینه و دقت مدل در هر Epoch ثبت و نمایش داده می‌شود.
ارزیابی مدل
- پس از پایان آموزش، مدل روی مجموعه آزمایشی ارزیابی شده و میزان دقت نهایی مدل نمایش داده می‌شود.
بصری‌سازی عملکرد مدل
- نمودارهای هزینه و دقت در زمان واقعی رسم می‌شوند تا کاربران بتوانند پیشرفت مدل را مشاهده کنند.
محتویات برنامه
ویژگی‌های سورس کد
رابط کاربری گرافیکی (GUI) با PyQt5
- رابط مدرن و کاربرپسند برای تنظیم و آموزش یک مدل MLP
- امکان تعیین پارامترهای شبکه عصبی از جمله تعداد لایه‌ها، تعداد نورون‌ها، نرخ یادگیری و تابع فعال‌سازی
آموزش مدل MLP با TensorFlow
- امکان پیکربندی معماری شبکه عصبی برای آزمایش تنظیمات مختلف
- استفاده از بهینه‌ساز Adam برای آموزش کارآمد مدل
- ارائه گزارش‌های لحظه‌ای از عملکرد مدل پس از هر Epoch
مدیریت داده با مجموعه داده Iris
- بارگذاری خودکار مجموعه داده Iris از sklearn.datasets
- تقسیم داده‌ها به مجموعه‌های آموزشی و آزمایشی با train_test_split
- استفاده از OneHotEncoder برای تبدیل برچسب‌ها به فرمت مناسب طبقه‌بندی چندکلاسه
بصری‌سازی فرآیند آموزش در لحظه
- نمایش نمودارهای هزینه و دقت مدل با استفاده از Matplotlib
- به‌روزرسانی نمودارها پس از هر جلسه آموزشی
اجرای چندنخی (Multi-Threaded Execution)
- فرآیند آموزش در یک نخ جداگانه با QThread اجرا می‌شود تا رابط کاربری بدون تأخیر و کندی باقی بماند
ثبت لاگ آموزشی
- نمایش عملکرد مدل در هر Epoch شامل مقدار هزینه و دقت
- نمایش دقت نهایی روی داده‌های آزمایشی پس از اتمام Learning
سورس کد و اجزای کلیدی
TrainThread
- یک زیرکلاس از QThread که فرآیند آموزش را در یک نخ جداگانه اجرا می‌کند تا رابط کاربری پاسخگو باقی بماند.
MLPApp
- کلاس اصلی برنامه که رابط گرافیکی را تنظیم کرده، ورودی‌های کاربر را مدیریت می‌کند و فرآیند آموزش و بصری‌سازی را کنترل می‌نماید.
ادغام Matplotlib
- برنامه از Matplotlib برای رسم نمودارهای آموزش در لحظه استفاده می‌کند.
موارد استفاده از برنامه
آموزش و یادگیری
- ایده‌آل برای آموزش مفاهیم یادگیری ماشین، شبکه‌های عصبی و توسعه GUI
ایجاد نمونه‌های اولیه (Prototyping)
- مفید برای آزمایش سریع معماری‌های مختلف شبکه عصبی بر روی مجموعه داده Iris
پژوهش و تحقیقات
- می‌تواند برای تحقیقات علمی جهت آزمایش هایپرپارامترهای مختلف و معماری‌های متنوع گسترش داده شود.
نتیجه‌گیری
برنامه شبکه عصبی MLP با Iris در PyQt یک ابزار قدرتمند برای آموزش یادگیری ماشین و توسعه رابط کاربری گرافیکی است. این برنامه با ترکیب TensorFlow برای آموزش شبکه عصبی و PyQt5 برای ایجاد رابط گرافیکی تعاملی، تجربه‌ای جامع و کاربردی ارائه می‌دهد.
چه دانشجو باشید، چه مدرس یا پژوهشگر، این برنامه به شما کمک می‌کند تا مفاهیم شبکه‌های عصبی و فرآیند آموزش مدل‌ها را به‌صورت عملی کاوش کنید.
نحوه شروع کار
برای استفاده از برنامه:
- اطمینان حاصل کنید که وابستگی‌های موردنیاز نصب شده‌اند:
- اسکریپت برنامه را اجرا کنید:
- از طریق رابط کاربری، مدل خود را آموزش دهید و عملکرد آن را مشاهده کنید!
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.