جواب «Train the Three-Class Network» چالش 6 از جلسهی 44
سؤال
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.
راهنما
همان کارت «یک قدم آموزش» این جلسه: h = np.maximum(0, X @ W1 + b1)، p = softmax(h @ W2 + b2)، dz2 = (p - Y) / len(X)، dh = dz2 @ W2.T * (h > 0)؛ dh را قبل از تغییر W2 حساب کن.
یک جواب درست
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
for epoch in range(1, 301):
h = np.maximum(0, X @ W1 + b1)
p = softmax(h @ W2 + b2)
dz2 = (p - Y) / len(X)
dh = dz2 @ W2.T * (h > 0)
W2 -= lr * h.T @ dz2
b2 -= lr * dz2.sum(axis=0)
W1 -= lr * X.T @ dh
b1 -= lr * dh.sum(axis=0)
if epoch % 100 == 0:
loss = -np.log(p[np.arange(len(y)), y]).mean()
acc = (p.argmax(axis=1) == y).mean()
print(epoch, round(float(loss), 3), round(float(acc), 3))
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))
اول خودت امتحان کن؛ جوابهای دیگر هم قبول است. برگرد و خودت حلش کن