DL：LinearNN(numpy自定义的) solve XOR problem

DL：LinearNN(numpy自定义的) solve  XOR problem

目录

输出结果

核心代码

LinearNN使用案例

输出结果

核心代码

      #BP solve XOR Problem
      import numpy as np
      #输入数据，第一列的数字1表示偏置
      X = np.array ([[1, 0, 0],
       [1, 0, 1],
       [1, 1, 0],
       [1, 1, 1]])
      #标签
      Y = np.array ([[0, 1, 1, 0]]) #两个中括号代表二维。分别对应00、01、10、11
      #权值初始化，3行4列，取值范围[-1,1]
      V = np.random.randn(3,4)*2-1
      W = np.random.randn(4,1)*2-1
      print (V)
      print (W)
      #设置学习率
      lr = 0.11
      def update():  #更新权值的函数
      global X,Y,W,V,lr   #当自定义的函数需要调用外部的参数时，需要利用global进行声明为全局变量
       L1=sigmoid(np.dot(X,V))  #隐藏层输出4*4
       L2=sigmoid(np.dot(L1,W)) #输出层输出4*1
       L2_delta=(Y.T-L2)*dsigmoid(L2)   #Y.T就是Y的转置
       L1_delta=L2_delta.dot(W.T)*dsigmoid(L1)
       W_C=lr*L1.T.dot(L2_delta)
       V_C=lr*X.T.dot(L1_delta)
       W=W+W_C
       V=V+V_C
      for i in range(20000):
       update() #更新权值
      if i%500==0:
       L1=sigmoid(np.dot(X,V))  #隐藏层输出4*4
       L2=sigmoid(np.dot(L1,W)) #输出层输出4*1
       print("error:",np.mean(np.abs(Y.T-L2)))
      L1=sigmoid(np.dot(X,V))  #隐藏层输出4*4
      L2=sigmoid(np.dot(L1,W)) #输出层输出4*1
      print(L2)
      def judge(x):
      if x>=0.5:
      return 1
      else:
      return 0
      for i in map(judge,L2):
       print(i)
  
 

LinearNN使用案例

1、LinearNN简单案例

2、LinearNN solve  XOR problem
当lr=0.3时，相对比较大，每一个步长比较大，所以会在坑底部(最小值)两端进行跳动，然后训练到一定轮数，再改lr=0.03即可看到更好的情况。

文章来源: yunyaniu.blog.csdn.net，作者：一个处女座的程序猿，版权归原作者所有，如需转载，请联系作者。

原文链接：yunyaniu.blog.csdn.net/article/details/80789976