Python vs Ruby "Deep Learning from scratch" Chapitre 3 Implémentation d'un réseau neuronal à 3 couches

Aperçu

Implémentez un réseau de neurones à trois couches en Python et Ruby en vous référant au code du chapitre 3 du livre "Deep Learning from scratch - La théorie et l'implémentation du deep learning appris avec Python".

Une bibliothèque externe est utilisée dans le processus de calcul. Utilisez NumPy pour Python et Numo :: NArray pour Ruby.

Si vous avez besoin de créer un environnement, cliquez ici. → Python vs Ruby "Deep Learning from scratch" Chapitre 1 Graphique de la fonction sin et de la fonction cos http://qiita.com/niwasawa/items/6d9aba43f3cdba5ca725

Implémentation d'un réseau neuronal à 3 couches (code source)

Python

import numpy as np

#Initialisation du poids et du biais
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

#Convertir le signal d'entrée en sortie
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

#Fonction égale
def identity_function(x):
  return x

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

#Courir
network = init_network()
x = np.array([1.0, 0.5]) #Couche d'entrée
y = forword(network, x)
print(y)

Ruby

require 'numo/narray'

#Initialisation du poids et du biais
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

#Convertir le signal d'entrée en sortie
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

#Fonction égale
def identity_function(x)
  x
end

#Fonction Sigmaid
def sigmoid(x)
  1 / (1 + Numo::NMath.exp(-x)) # Numo::Renvoie DFloat
end

#Courir
network = init_network()
x = Numo::DFloat[1.0, 0.5] #Couche d'entrée
y = forword(network, x)
puts y.to_a.join(' ')

Résultat d'exécution

Python

[ 0.31682708  0.69627909]

Ruby

0.3168270764110298 0.6962790898619668

Matériel de référence

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