بتل کد Battle Codeدارد باز می‌شود…

Loss of an Epoch چالش 4 از جلسه‌ی 45، متوسط

توابع شبکه آماده‌اند. تابع run_epoch(net, X, y, size, lr) را کامل کن: داده را به دسته‌های sizeتایی ببُرد، train_batch را روی هر دسته صدا بزند، خطای هر دسته را در losses نگه دارد و میانگین آن‌ها را برگرداند (این‌جا بدون بُر زدن). برنامه ۵ دوره اجرا می‌کند. خروجی باید این پنج خط باشد: epoch 1 1.898، epoch 2 0.879، epoch 3 0.446، epoch 4 0.265 و epoch 5 0.182.

import random
import numpy as np

SHAPES = """
.###. ..#.. .###. ####. #..#. ##### .###. ##### .###. .###.
#...# .##.. #...# ....# #..#. #.... #.... ....# #...# #...#
#...# ..#.. ..##. .###. ##### ####. ####. ...#. .###. .####
#...# ..#.. .#... ....# ...#. ....# #...# ..#.. #...# ....#
.###. .###. ##### ####. ...#. ####. .###. ..#.. .###. .###.
"""


def make_digits(copies, noise, seed):
    random.seed(seed)
    rows = SHAPES.strip().splitlines()
    X, y = [], []
    for c in range(copies):
        for d in range(10):
            pixels = [1.0 if ch == "#" else 0.0 for ch in "".join(r.split()[d] for r in rows)]
            for i in random.sample(range(25), noise):
                pixels[i] = 1.0 - pixels[i]
            X.append(pixels)
            y.append(d)
    return np.array(X), np.array(y)


X, y = make_digits(20, 2, 1)     # training set: 200 digits, 2 flipped pixels each
Xt, yt = make_digits(10, 2, 2)   # test set: 100 other noisy digits


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)])


def make_net():
    random.seed(0)
    return {"W1": rand_matrix(25, 16), "b1": np.zeros(16), "W2": rand_matrix(16, 10), "b2": np.zeros(10)}


def forward(net, X):
    h = np.maximum(0, X @ net["W1"] + net["b1"])
    return h, softmax(h @ net["W2"] + net["b2"])


def train_batch(net, xb, yb, lr):
    h, p = forward(net, xb)
    dz2 = (p - np.eye(10)[yb]) / len(xb)
    dh = dz2 @ net["W2"].T * (h > 0)
    net["W2"] -= lr * h.T @ dz2
    net["b2"] -= lr * dz2.sum(axis=0)
    net["W1"] -= lr * xb.T @ dh
    net["b1"] -= lr * dh.sum(axis=0)
    return float(-np.log(p[np.arange(len(yb)), yb]).mean())


def loss_acc(net, X, y):
    h, p = forward(net, X)
    loss = -np.log(p[np.arange(len(y)), y]).mean()
    return float(loss), float((p.argmax(axis=1) == y).mean())


def run_epoch(net, X, y, size, lr):
    losses = []
    # for every batch: train it and keep its loss
    return sum(losses) / len(losses)


net = make_net()
for epoch in range(1, 6):
    print("epoch", epoch, round(run_epoch(net, X, y, 20, 0.5), 3))

راهنما و جواب این چالش · برگشت به درس جلسه‌ی 45: داده‌ی بزرگ‌تر ۱ · چالش بعدی: Shuffle Every Epoch

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