Python vs Ruby "Deep Learning von Grund auf neu" Kapitel 3 Implementierung eines dreischichtigen neuronalen Netzwerks

Überblick

Implementieren Sie ein dreischichtiges neuronales Netzwerk in Python und Ruby, indem Sie auf den Code in Kapitel 3 des Buches "Deep Learning von Grund auf - Die Theorie und Implementierung des mit Python gelernten Deep Learning" verweisen.

Bei der Berechnung wird eine externe Bibliothek verwendet. Verwenden Sie NumPy für Python und Numo :: NArray für Ruby.

Wenn Sie eine Umgebung erstellen müssen, lesen Sie hier. → Python vs Ruby "Deep Learning von Grund auf neu" Kapitel 1 Diagramm der Sin- und Cos-Funktion http://qiita.com/niwasawa/items/6d9aba43f3cdba5ca725

Implementierung eines 3-Schicht-Neuronalen Netzwerks (Quellcode)

Python

import numpy as np

#Initialisierung von Gewicht und Bias
def init_network():
  network = {}
  network['W1'] = np.array([[0.1, 0.3, 0.5], [0.2, 0.4, 0.6]])
  network['b1'] = np.array([0.1, 0.2, 0.3])
  network['W2'] = np.array([[0.1, 0.4], [0.2, 0.5], [0.3, 0.6]])
  network['b2'] = np.array([0.1, 0.2])
  network['W3'] = np.array([[0.1, 0.3], [0.2, 0.4]])
  network['b3'] = np.array([0.1, 0.2])
  return network

#Eingangssignal in Ausgang umwandeln
def forword(network, x):
  W1, W2, W3 = network['W1'], network['W2'], network['W3']
  b1, b2, b3 = network['b1'], network['b2'], network['b3']
  a1 = np.dot(x, W1) + b1
  z1 = sigmoid(a1)
  a2 = np.dot(z1, W2) + b2
  z2 = sigmoid(a2)
  a3 = np.dot(z2, W3) + b3
  y = identity_function(a3)
  return y

#Gleiche Funktion
def identity_function(x):
  return x

#Sigmaid-Funktion
def sigmoid(x):
  return 1 / (1 + np.exp(-x))

#Lauf
network = init_network()
x = np.array([1.0, 0.5]) #Eingabeebene
y = forword(network, x)
print(y)

Ruby

require 'numo/narray'

#Initialisierung von Gewicht und Bias
def init_network()
  network = {}
  network['W1'] = Numo::DFloat[[0.1, 0.3, 0.5], [0.2, 0.4, 0.6]]
  network['b1'] = Numo::DFloat[0.1, 0.2, 0.3]
  network['W2'] = Numo::DFloat[[0.1, 0.4], [0.2, 0.5], [0.3, 0.6]]
  network['b2'] = Numo::DFloat[0.1, 0.2]
  network['W3'] = Numo::DFloat[[0.1, 0.3], [0.2, 0.4]]
  network['b3'] = Numo::DFloat[0.1, 0.2]
  network
end

#Eingangssignal in Ausgang umwandeln
def forword(network, x)
  w1 = network['W1']; w2 = network['W2']; w3 = network['W3']
  b1 = network['b1']; b2 = network['b2']; b3 = network['b3']
  a1 = x.dot(w1) + b1
  z1 = sigmoid(a1)
  a2 = z1.dot(w2) + b2
  z2 = sigmoid(a2)
  a3 = z2.dot(w3) + b3
  identity_function(a3)
end

#Gleiche Funktion
def identity_function(x)
  x
end

#Sigmaid-Funktion
def sigmoid(x)
  1 / (1 + Numo::NMath.exp(-x)) # Numo::Gibt DFloat zurück
end

#Lauf
network = init_network()
x = Numo::DFloat[1.0, 0.5] #Eingabeebene
y = forword(network, x)
puts y.to_a.join(' ')

Ausführungsergebnis

Python

[ 0.31682708  0.69627909]

Ruby

0.3168270764110298 0.6962790898619668

Referenzmaterial

--Python vs Ruby "Deep Learning from Grund" Zusammenfassung --Qiita http://qiita.com/niwasawa/items/b8191f13d6dafbc2fede