بتل کد Battle Codeدارد باز می‌شود…

Train the Three-Class Network چالش 6 از جلسه‌ی 44، سخت

حالا با لایه‌ی پنهان: شبکه‌ی ۲ → ۸ → ۳ با ReLU و softmax. داده، وزن‌ها و تابع predict آماده‌اند. حلقه‌ی ۳۰۰ دوره را با lr = 0.2 خودت بنویس (رو به جلو، dz2 = (p - Y) / len(X)، پس‌انتشار از ReLU، چهار به‌روزرسانی) و هر ۱۰۰ دوره دوره، خطا و دقت را گرد با ۳ رقم چاپ کن. بعد برنامه سه نقطه‌ی جدید را می‌پرسد. خروجی باید این شش خط باشد: 100 0.144 0.967، 200 0.053 1.0، 300 0.029 1.0، [1.0, 1.5] -> 0 0.99، [3.8, 0.8] -> 1 0.99 و [2.5, 2.2] -> 0 0.64. نقطه‌ی آخر را ببین: وسط گروه‌هاست، ولی شبکه مطمئن حرف می‌زند.

import random
import numpy as np

random.seed(4)
centers = [(1, 1), (4, 1), (2.5, 4)]
points, labels = [], []
for k in range(3):
    cx, cy = centers[k]
    for i in range(10):
        points.append([random.gauss(cx, 0.7), random.gauss(cy, 0.7)])
        labels.append(k)
X = np.array(points)
y = np.array(labels)
Y = np.eye(3)[y]


def softmax(z):
    e = np.exp(z - z.max(axis=1, keepdims=True))
    return e / e.sum(axis=1, keepdims=True)


def rand_matrix(rows, cols):
    return np.array([[random.uniform(-0.5, 0.5) for _ in range(cols)] for _ in range(rows)])


random.seed(0)
W1 = rand_matrix(2, 8)
b1 = np.zeros(8)
W2 = rand_matrix(8, 3)
b2 = np.zeros(3)
lr = 0.2
# train 300 epochs here, print every 100


def predict(points):
    h = np.maximum(0, np.array(points) @ W1 + b1)
    return softmax(h @ W2 + b2)


new = [[1.0, 1.5], [3.8, 0.8], [2.5, 2.2]]
probs = predict(new)
for i in range(len(new)):
    print(new[i], "->", int(probs[i].argmax()), round(float(probs[i].max()), 2))

راهنما و جواب این چالش · برگشت به درس جلسه‌ی 44: شبکه‌ی چندلایه با numpy ۲

بیشتر بخوان: list comprehension در پایتون: از حلقه for تا یک خط کد