جواب «Learn AND, Then Test» چالش 6 از جلسهی 27
سؤال
همان نورون را برای AND آموزش بده (فقط [1, 1] هدفش ۱ است) با ۵۰۰ دوره و lr = 0.5. بعد از آموزش، تابع accuracy(data, weights, b) را بنویس که نسبت تصمیمهای درست را برگرداند، و چاپ کن accuracy 1.0. سپس وزنها و بایاس را گرد با عدد صحیح چاپ کن؛ باید ببینی هر دو وزن مثبت و بایاس منفی و قدرمطلقش بزرگتر از هر وزن است (یعنی «هر دو لازماند»). خط دوم خروجی: weights [8, 7] bias -11.
راهنما
در accuracy: correct = 0؛ برای هر مثال p = neuron(...)؛ اگر (p > 0.5) == (target == 1) بود correct += 1؛ return correct / len(data).
یک جواب درست
import math
def sigmoid(x):
return 1 / (1 + math.exp(-x))
def neuron(inputs, weights, b):
total = b
for i in range(len(inputs)):
total = total + inputs[i] * weights[i]
return sigmoid(total)
def train_step(inputs, target, weights, b, lr):
output = neuron(inputs, weights, b)
error = output - target
for i in range(len(weights)):
weights[i] = weights[i] - lr * error * inputs[i]
b = b - lr * error
return weights, b
def accuracy(data, weights, b):
correct = 0
for inputs, target in data:
p = neuron(inputs, weights, b)
if (p > 0.5) == (target == 1):
correct += 1
return correct / len(data)
data = [([0, 0], 0), ([0, 1], 0), ([1, 0], 0), ([1, 1], 1)]
weights = [0.0, 0.0]
b = 0.0
for epoch in range(500):
for inputs, target in data:
weights, b = train_step(inputs, target, weights, b, 0.5)
print("accuracy", accuracy(data, weights, b))
print("weights", [round(w) for w in weights], "bias", round(b))
اول خودت امتحان کن؛ جوابهای دیگر هم قبول است. برگرد و خودت حلش کن