深度学习前馈神经网络

河北师范大学2018级人工智能方向课后作业总结

文章目录

• 深度学习前馈神经网络
• 任务要求
• 代码内容
• • 1.更改后
  • 2.关键输出截图
  • 3.与所给代码更改部分
• 总结

---

任务要求

根据课上所学Rosenblatt感知器模型结构和算法流程，自己用代码实现。
设计实验（包括生成数据集、设计收敛衡量指标，如MSE），验证其在线性可分二分类问题上的性能，并作可视化展示。

参照代码已经在2018级钉钉群内分享，根据课上讲解要求有选择地参考。鼓励创新的思路和设计。

注意参考代码有设计上的bug，需要排除掉之后，才能有好的效果。所改之处要注释。

要求：

原创思路务必注明，解释清晰。

原创代码务必多做注释。

参考代码不要做任何注释。

未达成验证或者展示目标，或者没有任何创新点，不要作答。

代码内容

1.更改后

代码如下（示例）：

import numpy as np
from matplotlib import pyplot as plt
D = np.random.random((10,2))
D2 = np.zeros((10,3))  #创建一个新的全0矩阵，比D要多一列，
for i in range(len(D)):
    D2[i] = np.append(D[i],[1])
D1 = np.array([[0.64754855, 0.59507059],
       [0.3120167 , 0.03192053],
       [0.37969568, 0.86204827],
       [0.02818424, 0.98058601],
       [0.396828  , 0.31667695],
       [0.61613117, 0.34472543],
       [0.74338109, 0.51823655],
       [0.73737023, 0.62347628],
       [0.46752571, 0.39628274],
       [0.63097959, 0.38178618]])
X1 = D[:,0]
X2 = D[:,1]
X1,X2
Y = np.array([(2*x1+x2)>1.5 for (x1,x2) in zip(X1,X2)])
Y , X1 , X2
print(X1[Y],X2[Y])
Y_0 = ((Y-1)*(-1)).astype(bool)
print(Y,Y_0)
print(X1[Y_0],X2[Y_0])
plt.scatter(X1[Y],X2[Y],c='r')
plt.scatter(X1[Y_0],X2[Y_0],c='g')

x = np.linspace(0,1,100)
y = 1.5-2*x
plt.plot(x,y)
plt.show()
w = np.zeros(D2.shape[1]) #w因为要和x相乘，要遵循矩阵相乘的法则。
y = Y.astype(int)
y = y*2-1
D2,w,y
#准备模型

def ganzhiqi(x):
    y = np.dot(w,x) 
    # print(y)
    if y>0:
        return 1
    else:
        return -1
ganzhiqi(np.array([1,2,1]))
T = 300
t = 0 
k = 0
N = len(D2)
# for n in range(N):
while(t<T):
    for i in range(N):
        xi = D2[i]
        yi = y[i]
        print(i,xi,yi)
        if yi*ganzhiqi(xi)<=0:
            w = w + yi * xi #在上面b已经合并到w里了，不用再写一次b了
            k = k + 1
            print('更新:',k,w)
        t = t + 1

print("last:",w)
    # if 
    # if w*(y*x)<=0:
    #     w = w + y * x
    # t = t +1
    # print(t,w)
    # if t==T:
    #     break
    

2.关键输出截图

代码如下（示例）：

3.与所给代码更改部分

收敛证明即为：

当然收敛证明用图来证明会更好，证明其是不断降低的

总结

对应的ipynb文件 待上传

标签：plt,代码,前馈,X2,神经网络,深度,np,X1,D2
来源： https://blog.csdn.net/fazive/article/details/118303909