مثال list comprehension (هوش مصنوعی با پایتون): return np.array([[random.uniform(-0.5, 0.5)…
مثال 8 از درس جلسهی 44 آموزش هوش مصنوعی برای نوجوانان با پایتون: شبکهی چندلایه با numpy ۲
همه با هم: ۳۰ نقطه در سه گروه (هر گروه ۱۰ نقطه دور یک مرکز، با random.gauss که عدد تصادفی «زنگولهای» دور یک میانگین میدهد). شبکهی ۲ → ۸ → ۳ با ReLU و softmax، ۳۰۰ دوره. خطا پایین میآید و دقت به ۱۰۰٪ میرسد. در آخر چند نقطهی جدید را میپرسیم.
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)
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 - np.eye(3)[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()
print(epoch, round(float(loss), 3), round(float((p.argmax(axis=1) == y).mean()), 3))
# 100 0.144 0.967
# 200 0.053 1.0
# 300 0.029 1.0
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: list comprehension در پایتون: از حلقه for تا یک خط کد
← مثال قبلی · برگشت به درس جلسهی 44: شبکهی چندلایه با numpy ۲ · چالشهای این جلسه