線性神經網絡(激活函數爲y=x)
import numpy as np
import matplotlib.pyplot as plt
#輸入數據
X=np.array([[1,3,3],
[1,4,3],
[1,1,1]])
#標籤
Y=np.array([1,1,-1])
#權值初始化,1行3列,取值範圍-1到1
W=(np.random.random(3)-0.5)*2
print(W)
#學習率設置
lr=0.11
#計算迭代次數
n=0
#神經網絡輸出
o=0
def update():
global X,Y,W,lr,n
n+=1
#與感知器相比就改動了這一點
o=np.dot(X,W.T)
W_c=lr*((Y-o.T).dot(X))/int(X.shape[0])
W=W+W_c
for _ in range(100):
update() #更新權值
print(W) #打印當前權值
print(n) #打印迭代次數
o=np.sign(np.dot(X,W.T)) #計算當前輸出
if(o==Y.T).all(): #如果實際輸出等於期望輸出,模型收斂,循環結束
print('Finished')
print('epoch:',n)
break
#正樣本
x1=[3,4]
y1=[3,3]
#負樣本
x2=[1]
y2=[1]
#計算分界線的斜率以及截距
k=-W[1]/W[2]
d=-W[0]/W[2]
print('k=',k,',d=',d)
xdata=np.linspace(0,5)
plt.plot(xdata,xdata*k+d,'r')
plt.plot(x1,y1,'bo')
plt.plot(x2,y2,'yo')
plt.show()
解決異或問題的方法有:
現在嘗試用添加非線性成分解決異或問題。
import numpy as np
import matplotlib.pyplot as plt
#輸入數據
X=np.array([[1,0,0,0,0,0],
[1,0,1,0,0,1],
[1,1,0,1,0,0],
[1,1,1,1,1,1]])
#標籤
Y=np.array([-1,1,1,-1])
#權值初始化,1行3列,取值範圍-1到1
W=(np.random.random(6)-0.5)*2
print(W)
#學習率設置
lr=0.11
#計算迭代次數
n=0
#神經網絡輸出
o=0
def update():
global X,Y,W,lr,n
n+=1
o=np.dot(X,W.T)
W_c=lr*((Y-o.T).dot(X))/int(X.shape[0])
W=W+W_c
for _ in range(1000):
update() #更新權值
print(W) #打印當前權值
print(n) #打印迭代次數
o=np.dot(X,W.T) #計算當前輸出
#正樣本
x1=[0,1]
y1=[1,0]
#負樣本
x2=[0,1]
y2=[0,1]
def calculate(x,root):
a=W[3]
b=W[2]+x*W[4]
c=W[0]+x*W[1]+x*x*W[3]
if root == 1:
return (-b+np.sqrt(b*b-4*a*c))/(2*a)
if root == 2:
return (-b-np.sqrt(b*b-4*a*c))/(2*a)
xdata=np.linspace(-1,2)
plt.plot(xdata,calculate(xdata,1),'r')
plt.plot(xdata,calculate(xdata,2),'r')
plt.plot(x1,y1,'bo')
plt.plot(x2,y2,'yo')
plt.show()
看一下最終的值:
np.dot(X,W.T)
array([-0.99134175, 0.99421823, 0.99421823, -0.99552619])