بتل کد Battle Codeدارد باز می‌شود…

جواب «Step 3: The Accuracy Function» چالش 3 از جلسه‌ی 47

سؤال

قدم ۳: تابع accuracy(Xs, ys) را کامل کن: حدس هر سطر، ستونِ بیشترین احتمال است و تابع سهم حدس‌های درست را (عددی بین ۰ و ۱) برمی‌گرداند. بعد از خروجی قدم ۲ باید چاپ شود: before training: train 10% test 12%.

راهنما

p.argmax(axis=1) حدس‌ها را می‌دهد؛ (guesses == ys).mean() سهم درست‌ها را.

یک جواب درست

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)     # 200 training digits
Xt, yt = make_digits(10, 2, 2)   # 100 test digits



def show(pixels):
    for r in range(5):
        row = pixels[r * 5:r * 5 + 5]
        print("".join("#" if p > 0.5 else "." for p in row))


print(X.shape, Xt.shape)
print("label:", int(y[3]))
show(X[3])


random.seed(0)


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


net = {"W1": rand_matrix(25, 16), "b1": np.zeros(16),
       "W2": rand_matrix(16, 10), "b2": np.zeros(10)}


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


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


h, p = forward(X[:3])
print(p.shape)
print(np.round(p[0], 2))
print(round(float(p[0].sum()), 3))



def accuracy(Xs, ys):
    h, p = forward(Xs)
    guesses = p.argmax(axis=1)
    return float((guesses == ys).mean())


print(f"before training: train {round(accuracy(X, y) * 100)}% test {round(accuracy(Xt, yt) * 100)}%")

اول خودت امتحان کن؛ جواب‌های دیگر هم قبول است. برگرد و خودت حلش کن