مثال متغیر (هوش مصنوعی با پایتون): p = np.array([[0.9, 0.05, 0.05], [0.2, 0.5,…
مثال 5 از درس جلسهی 44 آموزش هوش مصنوعی برای نوجوانان با پایتون: شبکهی چندلایه با numpy ۲
خطا چطور سنجیده شود؟ cross-entropy: فقط به احتمالی نگاه کن که شبکه به جواب درست داده و -log آن را بگیر. اگر به جواب درست ۰.۹ داده، خطا 0.105 (کم). اگر ۰.۵، خطا 0.693. اگر فقط ۰.۱، خطا 2.303 (خیلی زیاد). مثل میزان «غافلگیری»: هرچه به جواب درست احتمال کمتری داده باشی، بیشتر غافلگیر میشوی. p[np.arange(n), y] از هر سطر خانهی جواب درست را برمیدارد.
p = np.array([[0.9, 0.05, 0.05], [0.2, 0.5, 0.3], [0.1, 0.3, 0.6]])
y = np.array([0, 1, 0])
right = p[np.arange(len(y)), y]
print(right) # [0.9 0.5 0.1]
print(np.round(-np.log(right), 3)) # [0.105 0.693 2.303]
print(round(float(-np.log(right).mean()), 3)) # 1.034
این کد را همینجا در ویرایشگر پایتون اجرا کن، عددها و متنهایش را عوض کن و دوباره اجرا کن تا ببینی چه تغییری میکند.
بیشتر بخوان: متغیر در پایتون: تعریف، نامگذاری و تغییر مقدار با مثال
← مثال قبلی · برگشت به درس جلسهی 44: شبکهی چندلایه با numpy ۲ · مثال بعدی → · چالشهای این جلسه