بتل کد Battle Codeدارد باز می‌شود…

A Real Validation Pile چالش 2 از جلسه‌ی 49، آسان

در این برنامه کپه‌ی اعتبارسنجی همان کپه‌ی آموزش است و برای همین هر دو 94% چاپ می‌شوند. خط Xv, yv = ... را درست کن تا یک کپه‌ی تازه با make_digits بسازد: ۱۰ نسخه، نویز ۴، seed برابر ۳. خروجی باید train 94% validation 82% باشد.

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, 4, 1)
Xv, yv = X, y    # wrong: this is not a new pile! use make_digits with seed 3



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 new_net(hidden):
    random.seed(0)
    return {"W1": rand_matrix(25, hidden), "b1": np.zeros(hidden),
            "W2": rand_matrix(hidden, 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 accuracy(net, Xs, ys):
    h, p = forward(net, Xs)
    return round(float((p.argmax(axis=1) == ys).mean()) * 100)


def train_epoch(net, Xs, ys, lr=0.5, batch=20):
    order = list(range(len(Xs)))
    random.shuffle(order)
    for start in range(0, len(order), batch):
        idx = order[start:start + batch]
        xb, yb = Xs[idx], ys[idx]
        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)



net = new_net(16)
for epoch in range(10):
    train_epoch(net, X, y)
print(f"train {accuracy(net, X, y)}% validation {accuracy(net, Xv, yv)}%")

راهنما و جواب این چالش · برگشت به درس جلسه‌ی 49: بیش‌برازش و تعمیم ۲ · چالش بعدی: Pick the Hidden Size

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