版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/u013539952/article/details/82558996
练习题目
平面坐标系上有三个点,(3,3),(4,3)这两个点的标签为1,(1,1)的标签为-1。构建神经网络来分类。
思路
要分类的数据是二维数据,所以只需要2个输入节点,也可把神经元的偏置值也设置成一个节点,这样就有3个输入节点。
输入数据:(1,3,3),(1,4,3)(1,1,1)
数据对应的标签为(1,1,-1) 及种类有两种,构建神经网络进行分类
初始化权重值W0,W1,W1取-1到1的随机数
学习率设置为0.11
激活函数为sign函数
1.导入包
import numpy as np
import matplotlib.pyplot as plt
2.定义
#输入数据
X = np.array([[1,3,3],[1,4,3],[1,1,1]])
#标签
Y = np.array([1,1,-1])
3.权值初始化
#权值初始化 1行3列 取值范围 -1,1
W = (np.random.random(3)-0.5)*2
print(W)
4.定义学习率及变量
#学习率
lr = 0.11
#计算迭代次数
n = 0
#神经网络输出
O = 0
5.更新函数
# 更新权值函数
def update():
global X,Y,W,lr,n
n+=1
#输出
O = np.sign(np.dot(X,W.T))
#计算权值的改变 求平均 X的行
W_C = lr*((Y-O.T).dot(X))/int(X.shape[0])
W = W + W_C
6.用循环更新权值,循环100次
for _ in range(100):
#更新权值函数
update()
#打印当前权值
print(W)
#打印迭代次数
print(n)
#计算当前输出
O = np.sign(np.dot(X,W.T))
#若实际输出等于期望输出 模型收敛 循环结束
if(O == Y.T).all():
print('Finish')
#循环次数
print('epoch:',n)
break
7.用图形显示
#正样本
x1 = [3,4]
y1 = [3,3]
#负样本
x2 = [1]
y2 = [1]
#计算分界线的斜率及截距
k = -W[1]/W[2]
d = -W[0]/W[2]
print('k=',k)
print('d=',d)
#取0到5的点
xdata = np.linspace(0,5)
#画图
plt.figure()
#红色表示
plt.plot(xdata,xdata*k+d,'r')
#正样本 蓝色表示
plt.plot(x1,y1,'bo')
#负样本 黄色表示
plt.plot(x2,y2,'yo')
plt.show()