بتل کد Battle Codeدارد باز می‌شود…

جواب «Ten Pictures Only» چالش 4 از جلسه‌ی 48

سؤال

یک شبکه‌ی بزرگ (۶۴ نورون پنهان) روی فقط ۱۰ تصویر، ۲۰۰ دوره آموزش می‌بیند. تابع accuracy(net, Xs, ys) را کامل کن: اجرای رو به جلو (ReLU و بعد softmax)، حدس با argmax و درصد درست‌ها گرد شده به عدد صحیح. خروجی باید 10 pictures: train 100% test 67% gap 33 باشد.

راهنما

همان دو خط اجرای رو به جلوی train_net، بعد round(float((p.argmax(axis=1) == ys).mean()) * 100).

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 new test 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 c in range(cols)] for r in range(rows)])


def train_net(Xs, ys, hidden, epochs, lr=0.5):
    random.seed(0)
    net = {"W1": rand_matrix(25, hidden), "b1": np.zeros(hidden),
           "W2": rand_matrix(hidden, 10), "b2": np.zeros(10)}
    Y = np.eye(10)[ys]
    for epoch in range(epochs):          # few pictures: one batch = all of them
        h = np.maximum(0, Xs @ net["W1"] + net["b1"])
        p = softmax(h @ net["W2"] + net["b2"])
        dz2 = (p - Y) / len(Xs)
        dh = dz2 @ net["W2"].T * (h > 0)
        net["W2"] -= lr * (h.T @ dz2)
        net["b2"] -= lr * dz2.sum(axis=0)
        net["W1"] -= lr * (Xs.T @ dh)
        net["b1"] -= lr * dh.sum(axis=0)
    return net


def accuracy(net, Xs, ys):
    h = np.maximum(0, Xs @ net["W1"] + net["b1"])
    p = softmax(h @ net["W2"] + net["b2"])
    return round(float((p.argmax(axis=1) == ys).mean()) * 100)



Xs, ys = make_digits(1, 2, 3)        # only 10 pictures: one of each digit
net = train_net(Xs, ys, 64, 200)     # a big network, many epochs
train = accuracy(net, Xs, ys)
test = accuracy(net, Xt, yt)
print(f"{len(Xs)} pictures: train {train}% test {test}% gap {train - test}")

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