Als Studie über maschinelles Lernen lese ich "* Lernen aus den Grundlagen: Lehrbuch für künstliche Intelligenz *".
Das Merkmal dieses Buches ist, dass das Problem am Ende des Kapitels ein einfaches Programm von Python enthält.
Hier wird es mit "Ruby" kopiert.
neuralnet.rb
INPUTNO = 2
HIDDENNO = 2
def forward(wh, wo, hi, e)
HIDDENNO.times do |i|
u = 0.0
INPUTNO.times do |j|
u += e[j] * wh[i][j]
end
u -= wh[i][INPUTNO]
hi[i] = f(u)
end
o = 0.0
HIDDENNO.times do |i|
o += hi[i] * wo[i]
end
o -= wo[HIDDENNO]
f(o)
end
def f(u)
return 1.0 if u >= 0
0.0
end
wh = [[-2, 3, -1], [-2, 1, 0.5]]
wo = [-60, 94, -1]
e = [[0, 0], [0, 1], [1, 0], [1, 1]]
hi = [0] * (HIDDENNO + 1)
e.each do |i|
puts "#{i}->#{forward(wh, wo, hi, i)}"
end
Es ist eine einfache hierarchische Berechnung des neuronalen Netzes und es gibt kein Lernen, aber bitte seien Sie vorsichtig, da der Einzug in der 26. Zeile ** einen Fehler enthält ** (25. September 2019, 1. Auflage, 1. Druckausgabe) **
error.py
for i in range(HIDDENNO): #Falsch
for i in range(HIDDENNO): #Positiv
Wie Sie wissen, scheinen Einrückungsfehler in Python fatal zu sein, aber zum Glück können Sie den Beispielcode von Ohms Buchseite herunterladen.
step.rb
def f(u)
return 1.0 if u >= 0
0.0
end
#Ausgabebeispiel
[0, 0]->0.0
[0, 1]->1.0
[1, 0]->1.0
[1, 1]->0.0
Die Übertragungsfunktion "f" ist eine Sprungfunktion
Sigmoid.rb
def f(u)
1 / (1 + Math::E ** -u)
end
#Ausgabebeispiel
[0, 0]->0.0006265270712940932
[0, 1]->0.6434453861326787
[1, 0]->0.0003334059232134918
[1, 1]->8.512503196901111e-16
Die Übertragungsfunktion "f" ist eine Sigmoidfunktion
ramp.rb
def f(u)
return u if u >= 0
0.0
end
#Ausgabebeispiel
[0, 0]->0.0
[0, 1]->1.0
[1, 0]->0.0
[1, 1]->0.0
Die Übertragungsfunktion "f" ist eine Rampenfunktion
Recommended Posts