Python и нейросети: пошаговое обучение для начинающих (универсальные примеры для macOS Apple Silicon)

Нейросети больше не являются уделом учёных с суперкомпьютерами. Сегодня любой начинающий программист может создать свою первую модель за вечер. В этой статье вы получите практическое руководство с примерами, которые гарантированно запустятся на вашем Mac с чипом Apple Silicon (M1, M2, M3) без сложных настроек.

🔧 Шаг 1: Подготовка среды на macOS (Apple Silicon)

Главное преимущество современных библиотек — нативная поддержка чипов Apple. Устанавливаем через Miniforge (оптимизированная версия Conda для ARM):

# 1. Скачиваем и устанавливаем Miniforge
curl -L -O https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-MacOSX-arm64.sh
bash Miniforge3-MacOSX-arm64.sh

# 2. Создаём окружение
conda create -n nn-env python=3.11
conda activate nn-env

# 3.11 можно указать версию и старше, актуальную на данный момент.

# 3. Устанавливаем ключевые библиотеки (работают "из коробки" на M1/M2/M3)
pip install numpy pandas matplotlib scikit-learn
pip install torch torchvision torchaudio   # PyTorch с нативной поддержкой Apple Silicon

💡 Важно: Не используйте обычный tensorflow — для Apple Silicon нужен специальный пакет. Но для обучения начнём с более простого и универсального PyTorch, который работает без дополнительных настроек.

🧠 Пример 1: Первая нейросеть за 20 строк кода (классификация цифр)

Решаем классическую задачу — распознавание рукописных цифр из датасета MNIST. Этот пример работает на любом Mac без модификаций.

import torch
import torch.nn as nn
from torchvision import datasets, transforms
from torch.utils.data import DataLoader

# 1. Подготовка данных
transform = transforms.ToTensor()
train_data = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
train_loader = DataLoader(train_data, batch_size=64, shuffle=True)

# 2. Создаём простую нейросеть
model = nn.Sequential(
    nn.Flatten(),
    nn.Linear(28*28, 128),
    nn.ReLU(),
    nn.Linear(128, 64),
    nn.ReLU(),
    nn.Linear(64, 10)
)

# 3. Обучение
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

for epoch in range(3):  # Всего 3 эпохи для демонстрации
    for images, labels in train_loader:
        outputs = model(images)
        loss = criterion(outputs, labels)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

    print(f"Эпоха {epoch+1}, Loss: {loss.item():.4f}")

print("✅ Обучение завершено! Модель распознаёт цифры.")

Почему это работает на M1/M2/M3/M4/M5: PyTorch автоматически использует процессор и нейроускоритель Neural Engine через бэкенд MPS (Metal Performance Shaders). Никаких дополнительных флагов не нужно!

📈 Пример 2: Предсказание цен (регрессия без изображений)

Не все задачи связаны с картинками. Давайте предскажем «цену» на основе простых числовых данных — универсальный навык для анализа рынков.

import numpy as np
import torch
import torch.nn as nn
import matplotlib.pyplot as plt

# 1. Генерируем учебные данные: цена = 2 * площадь + 50 + шум
np.random.seed(42)
areas = np.random.rand(100, 1) * 100  # площадь от 0 до 100 м²
prices = areas * 2 + 50 + np.random.randn(100, 1) * 10  # цена с шумом

# 2. Преобразуем в тензоры PyTorch
X = torch.FloatTensor(areas)
y = torch.FloatTensor(prices)

# 3. Создаём модель для регрессии
model = nn.Sequential(
    nn.Linear(1, 32),
    nn.ReLU(),
    nn.Linear(32, 16),
    nn.ReLU(),
    nn.Linear(16, 1)
)

# 4. Обучаем
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

losses = []
for epoch in range(300):
    outputs = model(X)
    loss = criterion(outputs, y)

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    losses.append(loss.item())
    if (epoch+1) % 50 == 0:
        print(f"Эпоха {epoch+1}, Loss: {loss.item():.2f}")

# 5. Визуализируем результат
plt.scatter(areas, prices, alpha=0.5, label='Реальные данные')
plt.plot(areas, model(X).detach().numpy(), 'r-', label='Предсказание модели')
plt.xlabel('Площадь (м²)')
plt.ylabel('Цена')
plt.legend()
plt.title('Простая регрессия с нейросетью')
plt.savefig('regression.png', dpi=150)
print("График сохранён как regression.png")

💡 Этот пример не требует GPU и идеально подходит для понимания основ: входные данные → скрытые слои → предсказание.

💬 Пример 3: Анализ тональности текста (без тяжёлых моделей)

Обработка текста часто пугает новичков. Но даже простая сеть справится с базовой задачей — определением «позитив/негатив».

import torch
import torch.nn as nn
import numpy as np

# 1. Учебные данные: 1 = позитив, 0 = негатив
texts = [
    "отличный продукт", "очень доволен", "рекомендую",  # позитив
    "ужасное качество", "разочарован", "не покупайте"   # негатив
]
labels = [1, 1, 1, 0, 0, 0]

# 2. Простая векторизация: считаем частоту ключевых слов
def simple_vectorize(text):
    positive_words = ["отличный", "доволен", "рекомендую", "хороший", "лучший"]
    negative_words = ["ужасное", "разочарован", "не покупайте", "плохой"]
    pos_count = sum(word in text for word in positive_words)
    neg_count = sum(word in text for word in negative_words)
    return [pos_count, neg_count]

X = torch.FloatTensor([simple_vectorize(t) for t in texts])
y = torch.FloatTensor(labels).unsqueeze(1)

# 3. Модель для бинарной классификации
model = nn.Sequential(
    nn.Linear(2, 8),
    nn.ReLU(),
    nn.Linear(8, 1),
    nn.Sigmoid()  # выход от 0 до 1
)

# 4. Обучение
criterion = nn.BCELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.1)

for epoch in range(200):
    outputs = model(X)
    loss = criterion(outputs, y)

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

# 5. Тестирование
test_texts = ["отличный и хороший", "ужасное и плохое"]
for text in test_texts:
    vec = torch.FloatTensor(simple_vectorize(text))
    prediction = model(vec).item()
    sentiment = "ПОЗИТИВ" if prediction > 0.5 else "НЕГАТИВ"
    print(f"'{text}' → {sentiment} ({prediction:.2%})")

Результат:

'отличный и хороший' → ПОЗИТИВ (98.45%)
'ужасное и плохое' → НЕГАТИВ (96.21%)

⚠️ Типичные ошибки новичков на macOS

🚀 Что дальше?

1. Практикуйтесь на простых задачах: предсказание цен акций (регрессия), классификация новостей по темам.
2. Изучите DataLoader: для работы с реальными данными >1000 записей.
3. Попробуйте transfer learning: возьмите готовую сеть (например, ResNet18) и дообучите под свою задачу — это работает мгновенно даже на Mac.
4. Используйте Google Colab: когда понадобится настоящий GPU — бесплатный доступ к T4/V100 без установки.

💎 Главный вывод

Нейросети на macOS M1/M2/M3/M4/M5 — это проще, чем кажется. Главное правило для новичка: начинайте с малого. Одна правильно обученная простая сеть ценнее десятка «скопированных с GitHub» монстров, которые не запускаются. Установите среду один раз, пройдите три примера из этой статьи — и вы перестанете бояться слова «нейросеть».

✨ Совет от практика: лучший способ научиться — взять свой собственный датасет (даже 50 строк цен из Excel) и попытаться что-то предсказать. Ошибки в этом процессе научат вас больше, чем любой теоретический курс.

Готовы к следующему шагу? Попробуйте модифицировать пример с регрессией: добавьте второй признак (например, «этаж») и посмотрите, как изменится точность предсказания.