线性神经网络

线性神经网络(激活函数为y=x)

import numpy as np
import matplotlib.pyplot as plt

#输入数据
X=np.array([[1,3,3],
	  [1,4,3],
	  [1,1,1]])
#标签
Y=np.array([1,1,-1])
#权值初始化,1行3列，取值范围-1到1
W=(np.random.random(3)-0.5)*2
print(W)
#学习率设置
lr=0.11
#计算迭代次数
n=0
#神经网络输出
o=0

def update():
	global X,Y,W,lr,n
	n+=1
#与感知器相比就改动了这一点
	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() #更新权值
	print(W) #打印当前权值
	print(n) #打印迭代次数
	o=np.sign(np.dot(X,W.T)) #计算当前输出
	if(o==Y.T).all(): #如果实际输出等于期望输出，模型收敛，循环结束
		print('Finished')
		print('epoch:',n)
		break

#正样本
x1=[3,4]
y1=[3,3]
#负样本
x2=[1]
y2=[1]

#计算分界线的斜率以及截距
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()

解决异或问题的方法有:

现在尝试用添加非线性成分解决异或问题。

import numpy as np
import matplotlib.pyplot as plt

#输入数据
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]])
#标签
Y=np.array([-1,1,1,-1])
#权值初始化,1行3列，取值范围-1到1
W=(np.random.random(6)-0.5)*2
print(W)
#学习率设置
lr=0.11
#计算迭代次数
n=0
#神经网络输出
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() #更新权值
	print(W) #打印当前权值
	print(n) #打印迭代次数
	o=np.dot(X,W.T) #计算当前输出


#正样本
x1=[0,1]
y1=[1,0]
#负样本
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()

看一下最终的值：

np.dot(X,W.T)

array([-0.99134175, 0.99421823, 0.99421823, -0.99552619])