matlab - reconocimiento - explicación del código de la red neuronal

redes neuronales convolucionales matlab

Question

La siguiente es una implementación de un Perceptron simple suministrado en un blog .

input = [0 0; 0 1; 1 0; 1 1];
numIn = 4;
desired_out = [0;1;1;1];
bias = -1;
coeff = 0.7;
rand(''state'',sum(100*clock));
weights = -1*2.*rand(3,1);
iterations = 10;
for i = 1:iterations
out = zeros(4,1);
for j = 1:numIn
y = bias*weights(1,1)+...
input(j,1)*weights(2,1)+input(j,2)*weights(3,1);
out(j) = 1/(1+exp(-y));
delta = desired_out(j)-out(j);
weights(1,1) = weights(1,1)+coeff*bias*delta;
weights(2,1) = weights(2,1)+coeff*input(j,1)*delta;
weights(3,1) = weights(3,1)+coeff*input(j,2)*delta;
end
end

Tengo las siguientes preguntas,

(1) ¿cuál está entrenando datos aquí?

(2) ¿cuál es la información de prueba aquí?

(3) ¿cuáles son las etiquetas aquí?

Answer 1

los datos de entrenamiento son [0 0; 0 1; 1 0; 1 1] en la otra vista cada fila es un conjunto de datos de entrenamiento como sigue

 >> input
input =
0 0
0 1
1 0
1 1

y el objetivo es

 desired_out =
0
1
1
1

por favor, piense acerca de las deseadas. Estas son sus etiquetas . Cada fila en los datos de entrenamiento (entrada) tiene una salida específica (etiqueta) en el conjunto binario {0,1} (porque este ejemplo para la implementación del circuito lógico OR.

en matlab puede usar o funcionar de la siguiente manera para una mayor comprensión:

 >> or(0,0)
ans =
0
>> or(1,0)
ans =
1
>> or(0,1)
ans =
1
>> or(1,1)
ans =
1

Tenga en cuenta que su código no tiene ninguna prueba de entrenamiento y este código solo trata de obtener pesos y otros parámetros de perceptron pero puede agregar una prueba de entrenamiento a su código con solo un pequeño programa.

 NumDataTest = 10 ;
test=randi( [0 , 1] , [ NumDataTest , 2]) ...
+(2*rand(NumDataTest,2)-1)/20;

entonces los datos de prueba serán similares a los siguientes

 test =
1.0048 1.0197
0.0417 0.9864
-0.0180 1.0358
1.0052 1.0168
1.0463 0.9881
0.9787 0.0367
0.9624 -0.0239
0.0065 0.0404
1.0085 -0.0109
-0.0264 0.0429

para probar esta información puede usar su propio programa por el siguiente código:

 for i=1:NumDataTest
y = bias*weights(1,1)+test(i,1)*weights(2,1)+test(i,2)*weights(3,1);
out(i) = 1/(1+exp(-y));
end

y finalmente:

 table(test(:,1),test(:,2),out,''VariableNames'',{''input1'' ''input2'' ''output''})

salida es

 input1 input2 output
_________ _________ ________
1.0048 1.0197 0.99994
0.041677 0.98637 0.97668
-0.017968 1.0358 0.97527
1.0052 1.0168 0.99994
1.0463 0.98814 0.99995
0.97875 0.036674 0.9741
0.96238 -0.023861 0.95926
0.0064527 0.040392 0.095577
1.0085 -0.010895 0.97118
-0.026367 0.042854 0.080808

Sección del código:

 clc
clear
input = [0 0; 0 1; 1 0; 1 1];
numIn = 4;
desired_out = [0;1;1;1];
bias = -1;
coeff = 0.7;
rand(''state'',sum(100*clock));
weights = -1*2.*rand(3,1);
iterations = 100;
for i = 1:iterations
out = zeros(4,1);
for j = 1:numIn
y = bias*weights(1,1)+input(j,1)*weights(2,1)+input(j,2)*weights (3,1);
out(j) = 1/(1+exp(-y));
delta = desired_out(j)-out(j);
weights(1,1) = weights(1,1)+coeff*bias*delta;
weights(2,1) = weights(2,1)+coeff*input(j,1)*delta;
weights(3,1) = weights(3,1)+coeff*input(j,2)*delta;
end
end
%% Test Section
NumDataTest = 10 ;
test=randi( [0 , 1] , [ NumDataTest , 2]) ...
+(2*rand(NumDataTest,2)-1)/20;
for i=1:NumDataTest
y = bias*weights(1,1)+test(i,1)*weights(2,1)+test(i,2)*weights(3,1);
out(i) = 1/(1+exp(-y));
end
table(test(:,1),test(:,2),out,''VariableNames'',{''input1'' ''input2'' ''output''})

Espero que esto ayude y lo siento por mi inglés si es malo