002多层感知器例子 - Numpy（没有用框架）实现异或门模型代码

import numpy as np """ 定义感知器模型结构 """ class XORGateModel(): def __init__(self): """ 初始化权重、偏置 """ self.w = np.random.normal(size=6).reshape((3, 2)) # 权重 self.b = np.random.normal(size=3) # 偏置 self.lr = 0.1 # 学习率(超参数) def sigmoid(self, x): return 1/(1 + np.exp(-x)) def dsigmoid(self, x): y = self.sigmoid(x) return y * (1 - y) def forward(self, x): """ 前向计算 """ y1 = self.sigmoid((x[0]*self.w[0][0]) + (x[1]*self.w[0][1]) + self.b[0]) y2 = self.sigmoid((x[0]*self.w[1][0]) + (x[1]*self.w[1][1]) + self.b[1]) y3 = self.sigmoid((y1*self.w[2][0]) + (y2*self.w[2][1]) + self.b[2]) return y3 def update_weight(self, x, n, d): e = (x[0] * self.w[n][0]) + (x[1] * self.w[n][1]) + self.b[n] self.w[n][0] = self.w[n][0] + (self.lr * d * self.dsigmoid(e) * x[0]) self.w[n][1] = self.w[n][1] + (self.lr * d * self.dsigmoid(e) * x[1]) self.b[n] = self.b[n] + (self.lr * d * self.dsigmoid(e)) def train(self, X, Y): """ X,Y -- 训练集 """ for i in range(100000): # 迭代 j = 0 C = 0 for xi in X: yi = self.forward(xi) # 前向计算 Ci = np.power((Y[j] - yi), 2) / 2 # 计算误差 C += Ci # 更新权重跟偏置 if Ci > 0: d = Y[j] - yi d1 = self.w[2][0] * d d2 = self.w[2][1] * d self.update_weight(xi, 0, d1) # 节点1 self.update_weight(xi, 1, d2) # 节点2 self.update_weight(xi, 2, d) # 节点3 j += 1 print("epoch{} 误差:{}, 权重:{}".format(i, C, self.w)) # 什么时候退出? if C <= 0.05: print("=== 与门的4数据都正确了, 退出迭代") break if __name__ == "__main__": # 训练 import data_manager X, Y = data_manager.get_xy_data() # 读取数据集 model = XORGateModel() # 实例化类对象 model.train(X, Y) # 执行训练 # 验证训练结果是否正确 for xi in X: print("验证 输入:{} 模型的前向计算结果:{}".format(xi, model.forward(xi))) # 保存模型参数 np.savez("./params", model.w, model.b)