import numpy as np
from matplotlib import pyplot as plt
def sigmoid(x):
return 1/(1+np.exp(-x))
# def init_ws(number_of_previous_hidden_layers, number_of_current_hidden_layers):
# return np.arange(number_of_previous_hidden_layers*number_of_current_hidden_layers)
# def init_bs(number_of_current_hidden_layers):
# return np.arange(number_of_current_hidden_layers)
# def forward_propagation(ws, a, bs, number_of_previous_hidden_layers, number_of_current_hidden_layers):
# zs = []
# a_s = []
# z = 0
# for i in range(number_of_current_hidden_layers):
# w_start_index = i*number_of_previous_hidden_layers
# for j in range(number_of_previous_hidden_layers):
# z += a[j]*ws[w_start_index]+bs[i]
# w_start_index += 1
# zs.append(z)
# a_s.append(sigmoid(z))
# return zs, a_s
m = 100
virulence = np.random.rand(m)
volume = np.random.rand(m)
virulence.sort()
volume.sort()
for i in range(m):
if virulence[i] < 0.3 or virulence[i] > 0.7:
virulence[i] = 0
else:
virulence[i] = 1
w_1_1_1 = np.random.rand()
w_1_2_1 = np.random.rand()
w_1_1_2 = np.random.rand()
w_2_1_2 = np.random.rand()
b_1_1 = np.random.rand()
b_2_1 = np.random.rand()
b_1_2 = np.random.rand()
def forward_progation(xs):
z1_1 = w_1_1_1*xs+b_1_1
a1_1 = sigmoid(z1_1)
z2_1 = w_1_2_1*xs+b_2_1
a2_1 = sigmoid(z2_1)
z1_2 = w_1_1_2*a1_1+b_1_2+w_2_1_2*a2_1+b_1_2
a1_2 = sigmoid(z1_2)
return z1_1, a1_1, z2_1, a2_1, z1_2, a1_2
z1_1, a1_1, z2_1, a2_1, z1_2, a1_2 = forward_progation(volume)
alpha = 0.5
def BP(x, y, a1, w2, a2):
deda2 = 2*(a2-y)
da2dz2 = a2*(1-a2)
dz2dw2 = a1
dedw2 = deda2*da2dz2*dz2dw2
dz2db2 = 1
dedb2 = deda2*da2dz2*dz2db2
dz2da1 = w2
da1dz1 = a1*(1-a1)
dz1dw1 = x
dedw1 = deda2*da2dz2*dz2da1*da1dz1*dz1dw1
dz1db1 = 1
dedb1 = deda2*da2dz2*dz2da1*da1dz1*dz1db1
return dedw1, dedb1, dedw2, dedw1
for j in range(5500):
for i in range(m):
x = volume[i]
y = virulence[i]
z1_1, a1_1, z2_1, a2_1, z1_2, a1_2 = forward_progation(x)
dedw1_1_1, dedb1_1, dedw1_1_2, dedb1_2 = BP(x, y, a1_1, w_1_1_2, a1_2)
w_1_1_1 = w_1_1_1 - alpha*dedw1_1_1
w_1_1_2 = w_1_1_2 - alpha*dedw1_1_2
b_1_1 = b_1_1 - alpha*dedb1_1
b_1_2 = b_1_2 - alpha*dedb1_2
dedw1_2_1, dedb2_1, dedw2_1_2, dedb1_2 = BP(x, y, a2_1, w_2_1_2, a1_2)
w_1_2_1 = w_1_2_1 - alpha*dedw1_2_1
w_2_1_2 = w_2_1_2 - alpha*dedw2_1_2
b_2_1 = b_2_1 - alpha*dedb2_1
b_1_2 = b_1_2 - alpha*dedb1_2
if j % 100 == 0:
plt.clf()
plt.xlabel("volume")
plt.ylabel("Probability of toxicity")
plt.scatter(volume, virulence)
plt.xlim(0, 1.1)
plt.ylim(0, 1.1)
z1_1, a1_1, z2_1, a2_1, z1_2, a1_2 = forward_progation(volume)
plt.plot(volume, a1_2)
plt.pause(0.01)
plt.show()
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
人工智能(Artificial Intelligence,简称AI)是一种前沿的计算机科学技术,其核心目标是通过模拟、延伸和拓展人类智能来构建智能机器与系统。它融合了计算机科学、数学、统计学、心理学、神经科学等多个学科的知识,并利用深度学习、机器学习等算法,使计算机能够从数据中学习、理解和推断。 在实际应用中,人工智能体现在诸多领域:如机器人技术,其中机器人不仅能执行预设任务,还能通过感知环境自主决策;语言识别和语音助手技术,如Siri或小爱同学,它们能理解并回应用户的语音指令;图像识别技术,在安防监控、自动驾驶等领域实现对视觉信息的精准分析;自然语言处理技术,应用于搜索引擎、智能客服及社交媒体的情感分析等。 此外,专家系统能够在特定领域提供专业级建议,物联网中的智能设备借助AI优化资源分配与操作效率。人工智能的发展不断改变着我们的生活方式,从工作场景到日常生活,智能化正以前所未有的方式提升生产力、便捷性和生活质量,同时也在挑战伦理边界与社会规则,促使我们重新审视人与技术的关系及其长远影响。
资源推荐
资源详情
资源评论
收起资源包目录
人工智能与实践 bilibili.zip (10个子文件)
SJT-code
vec_calculate.py 1KB
one_hidden_layer_net.py 3KB
activation.py 999B
cost_function_w.py 603B
rosenblatt.py 427B
keras _for_blue.py 715B
2_inputs_mode.py 1KB
sgd_w_b.py 712B
cost_function.py 585B
sgd.py 671B
共 10 条
- 1
资源评论
JJJ69
- 粉丝: 6212
- 资源: 5783
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- MI4803-VB一款SOP8封装2个P-Channel场效应MOS管
- unity快速入门-最快速的入门
- MI4803A-VB一款SOP8封装2个P-Channel场效应MOS管
- MI4801-VB一款SOP8封装2个P-Channel场效应MOS管
- 多变量线性回归的简单表示机代码实现
- 羊驼家族Ollama,window版本,本地大模型
- Java面试题+Java并发编程(J.U.C)+Java8实战+Redis+kafka
- 源码工程文件-libmodbus-test
- wx036校园快递平台系统-springboot+vue+uniapp-小程序.zip(可运行源码+sql文件+文档)
- Kotlin基础.pdf(39页,包含基础篇和进阶篇)
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功