Source: Unsplash
Les réseaux de neurones (__gVirt_NP_NNS_NNPS) DATA_OUT = np.array () # Modèle de train histoire = model.fit (data_in, DATA_OUT, = époques époques, verbeux = 0) # Analyse de l'histoire de la formation pour clé dans history.history.keys (): plt.scatter (plage) (époques, history.history , S = 1) plt.ylabel (clé) plt.xlabel ( 'époques') plt.show () # Prédire avec le modèle entraîner = model.predict (data_in) # Imprimer les résultats def printarray (arr): retourner np.array2string (arr) .replace ( '\ n', '') imprimer () print ( 'entrée', printarray (data_in)) imprimer ( 'sortie (calcul)', printarray (DATA_OUT)) print ( 'sortie (prédiction)', printarray (résultat)) print ( 'sortie (pred. norme.)', printarray (np.round (résultat))) # Pour obtenir des poids de modèle imprimer () imprimer (model.get_weights ())
Les avantages de l'opération OU exclusif est la formation de la totalité de l'espace des paramètres, car il n'y a que quatre configurations possibles peuvent enseigner. Cependant, le processus nécessite des données de transfert prévues dans le modèle de réseau de neurones est entraîné à zéro perte et fiable à 100%, à savoir la sortie a tendance à une, respectivement (0,1), (1,0) et (0,0), ( 1,1) est égale à zéro.
de perte et époques exclusive comparative ou le fonctionnement du réseau de neurones
Précision et comparative OU exclusif époques fonctionnement du réseau de neurones
Cependant, peut également être bloqué la période de formation, et non la convergence. Ensuite, la précision d'arrêt même 50% à 75%, à savoir une ou deux cartes binaires tuples est incorrect. Dans ce cas, nous devons reconstruire le réseau de neurones jusqu'à ce qu'une solution appropriée.
Analyse et conclusions
Keras a une structure similaire vérifier maintenant si la construction du réseau de neurones. Rendement en poids (voir la fin du fragment de code), pour donner le poids et les valeurs de décalage.
sortie du script Python
Utiliser ces paramètres pour reconstituer le réseau de neurones (en utilisant Excel à nouveau). Composé par les trois opérateurs.
formation sur Keras de l'opération neuronale XOR réseau
En entrant dans toutes les configurations possibles peuvent être identifiées avec H1, H2 O et opérateurs associés fonction booléenne.
Keras OU exclusif fonctionnement dans un réseau de neurones fonctions booléennes
Fait intéressant, la pensée Keras réseau de neurones construit avec la logique est la même, mais il crée une autre solution. Utilisez OU, ET, et (personne ne sait par rapport) INH, plutôt que la NAND opérateur, OR et AND, à savoir la formule réseau de neurones trouvé.
XOR (x, y) = INH (OR (x, y) et (x, y))
Cela suggère que le réseau de neurones peut obtenir la connaissance était pas là avant! Bien sûr, la « nouvelle connaissance » est relative et dépend du degré de savoir. Autrement dit, si une personne sait XOR toutes les représentations, Keras réseau de neurones, il y aura d'autres valeurs.
De plus, les réseaux de neurones plus complexes, les poids convertis à l'algorithme explicite ou la formule est pas facile. Mais peut-être cette expertise est la capacité des experts du renseignement futur artificielle doit avoir.
pouces Message attention
Ensemble, nous partageons l'apprentissage et le développement de l'IA sec
Amnesty International salue l'attention de la pendaison toute la plate-forme de la classe médiatique « lecture technique de base »
