بتل کد Battle Codeدارد باز می‌شود…

جواب «Train XOR» چالش 6 از جلسه‌ی 30

سؤال

همه‌چیز آماده است؛ حلقه‌ی آموزش را بنویس: ۳۰۰۰ دوره، در هر دوره برای هر مثال XOR train_example با lr = 2.0. بعد برای هر مثال خروجی گرد با دو رقم و هدف را چاپ کن و در آخر accuracy 1.0. با random.seed(3) وزن‌های اولیه ثابت‌اند. خروجی باید ۵ خط باشد و خط آخر accuracy 1.0.

راهنما

for epoch in range(3000): for inputs, target in xor_data: hidden, output = train_example(inputs, target, hidden, output, 2.0). بعد مثل جلسه‌ی ۲۷ دقت را بشمار.

یک جواب درست

import math
import random


def sigmoid(x):
    return 1 / (1 + math.exp(-x))


def slope(out):
    return out * (1 - out)


def neuron(inputs, weights, b):
    total = b
    for i in range(len(inputs)):
        total = total + inputs[i] * weights[i]
    return sigmoid(total)


def forward(inputs, hidden, output):
    h = [neuron(inputs, w, b) for w, b in hidden]
    w, b = output
    return neuron(h, w, b)


def train_example(inputs, target, hidden, output, lr):
    h = [neuron(inputs, w, b) for w, b in hidden]
    w_out, b_out = output
    out = neuron(h, w_out, b_out)
    d_out = (out - target) * slope(out)
    d_h = [d_out * w_out[j] * slope(h[j]) for j in range(len(h))]
    for j in range(len(h)):
        w_out[j] -= lr * d_out * h[j]
    b_out -= lr * d_out
    for j in range(len(hidden)):
        w, b = hidden[j]
        for i in range(len(inputs)):
            w[i] -= lr * d_h[j] * inputs[i]
        hidden[j] = (w, b - lr * d_h[j])
    return hidden, (w_out, b_out)


random.seed(3)


def random_neuron(n_inputs):
    return ([random.uniform(-1, 1) for _ in range(n_inputs)], random.uniform(-1, 1))


hidden = [random_neuron(2), random_neuron(2)]
output = random_neuron(2)
xor_data = [([0, 0], 0), ([0, 1], 1), ([1, 0], 1), ([1, 1], 0)]
for epoch in range(3000):
    for inputs, target in xor_data:
        hidden, output = train_example(inputs, target, hidden, output, 2.0)
correct = 0
for inputs, target in xor_data:
    p = forward(inputs, hidden, output)
    print(inputs, round(p, 2), target)
    if (p > 0.5) == (target == 1):
        correct += 1
print("accuracy", correct / 4)

اول خودت امتحان کن؛ جواب‌های دیگر هم قبول است. برگرد و خودت حلش کن