Python einfache neurale Vorwärtsnetz XOR-Funktion

Question

Ich habe dieses einfache Modell implementiert, um neuronale Netze zu lernen, es trainiert gut und gibt die Ausgabe, die ursprünglich gegeben wurde.

Das ist, wo ich irgendwie Verlust bin, im Beispiel der XOR-Funktionserkennung möchte ich nur testen können, nicht trainieren. Es scheint so, als ob alle Online-Lesungen ganz auf Training abzielen und dann genau dort aufhören.

Bedeutet dies, dass das Modell für jede neue Eingabe das ganze Set neu berechnen und trainieren muss? Hat es etwas mit den Gewichten zu tun? Wie würden Sie damit fortfahren, das Modell "live" laufen zu lassen und neue Inputs als Teil seines Live-Feedbacks und des laufenden Wiederholungstrainings zu nehmen?

Dank

import numpy as np 

def nonlin(x, deriv=False): 
    if(deriv==True): 
     return x*(1-x) 

    return 1/(1+np.exp(-x)) 

#4x2 
x = np.array([[0,0],[0,1],[1,0],[1,1]]) 
print (x) 

#1x4 
y = np.array([[0],[1],[1],[0]]) 

np.random.seed(1) 

syn0 = 2*np.random.random((2,4))-1 
print (syn0) 

syn1 = 2*np.random.random((4,1))-1 

for j in range(60000): 

    l0 = x; 
    l1 = nonlin(np.dot(l0,syn0)) 
    l2 = nonlin(np.dot(l1,syn1)) 

    l2_error = y - l2 

    l2_delta = l2_error*nonlin(l2, deriv=True) 

    l1_error = l2_delta.dot(syn1.T) 

    l1_delta = l1_error * nonlin(l1,deriv=True) 

    syn1 += l1.T.dot(l2_delta) 
    syn0 += l0.T.dot(l1_delta) 

    if(j % 10000) ==0: 
     print ("Error:" + str(np.mean(np.abs(l2_error)))) 

print ("Output after training") 
print (syn0) 
print (syn1) 
print (l2) 

Answer 1

Sie müssen nur den Code ausklammern, dass das neuronale Netz Berechnung tatsächlich der Fall ist, hier ist der Code geändert auf diese Weise:

import numpy as np 

def nonlin(x, deriv=False): 
    if(deriv==True): 
     return x*(1-x) 

    return 1/(1+np.exp(-x)) 


#4x2 
x = np.array([[0,0],[0,1],[1,0],[1,1]]) 
print ("x=",x) 

#1x4 
y = np.array([[0],[1],[1],[0]]) 
print ("y=",y) 

np.random.seed(1) 

syn0 = 2*np.random.random((2,4))-1 
print (syn0) 

syn1 = 2*np.random.random((4,1))-1 

def NN(x): 
    l0 = x; 
    l1 = nonlin(np.dot(l0,syn0)) 
    l2 = nonlin(np.dot(l1,syn1)) 
    return (l0,l1,l2) 

for j in range(60000): 

    l0,l1,l2 = NN(x) 

    l2_error = y - l2 

    l2_delta = l2_error*nonlin(l2, deriv=True) 

    l1_error = l2_delta.dot(syn1.T) 

    l1_delta = l1_error * nonlin(l1,deriv=True) 

    syn1 += l1.T.dot(l2_delta) 
    syn0 += l0.T.dot(l1_delta) 

    if(j % 10000) ==0: 
     print ("Error:" + str(np.mean(np.abs(l2_error)))) 

print ("Output after training") 
print ("trained l0 weights:",syn0) 
print ("trained l1 weights:",syn1) 
l0,l1,l2 = NN(x) 
print ("NN(",x,") == ",l2) 

Hier NN (x) ist die Funktion, die die Berechnung des neuronalen Netzes durchführt. Es gibt Werte für den Eingabevektor, die ausgeblendete Ebene und die Ausgabeebene in einem Tupel zurück. Sie können eine separate Funktion für sauberere Schnittstelle codieren: