Trénink perceptronu
- Vytvořte objekt Perceptron
- Vytvořte tréninkovou funkci
- Trénujte perceptron proti požadovaným odpovědím
Školicí úkol
Představte si přímku v prostoru s rozptýlenými xy body.
Trénujte perceptron, aby klasifikoval body nad a pod čarou.
Vytvořte objekt Perceptron
Vytvořte objekt Perceptron. Pojmenujte to jakkoli (jako Perceptron).
Nechť perceptron přijímá dva parametry:
- Počet vstupů (ne)
- Míra učení (learningRate).
Nastavte výchozí rychlost učení na 0,00001.
Poté vytvořte náhodné váhy mezi -1 a 1 pro každý vstup.
Příklad
// Perceptron Object
function Perceptron(no, learningRate = 0.00001) {
// Set Initial Values
this.learnc = learningRate;
this.bias = 1;
// Compute Random Weights
this.weights = [];
for (let i = 0; i <= no; i++) {
this.weights[i] = Math.random() * 2 - 1;
}
// End Perceptron Object
}
Náhodné váhy
Perceptron začne s náhodnou váhou pro každý vstup.
Míra učení
Za každou chybu při tréninku Perceptronu se váhy upraví o malý zlomek.
Tento malý zlomek je „ rychlost učení Perceptronu “.
V objektu Perceptron to nazýváme learnc .
Zaujatost
Někdy, pokud jsou oba vstupy nulové, může perceptron vytvořit správný výstup.
Abychom tomu zabránili, dáme perceptronu extra vstup s hodnotou 1.
Tomu se říká zkreslení .
Přidejte aktivační funkci
Pamatujte na algoritmus perceptronu:
- Vynásobte každý vstup vahami perceptronu
- Sečtěte výsledky
- Vypočítejte výsledek
Příklad
this.activate = function(inputs) {
let sum = 0;
for (let i = 0; i < inputs.length; i++) {
sum += inputs[i] * this.weights[i];
}
if (sum > 0) {return 1} else {return 0}
}
Aktivační funkce vypíše:
- 1, pokud je součet větší než 0
- 0, pokud je součet menší než 0
Vytvořte tréninkovou funkci
Tréninková funkce odhaduje výsledek na základě aktivační funkce.
Pokaždé, když je odhad špatný, měl by perceptron upravit váhy.
Po mnoha dohadech a úpravách budou váhy správné.
Příklad
this.train = function(inputs, desired) {
inputs.push(this.bias);
let guess = this.activate(inputs);
let error = desired - guess;
if (error != 0) {
for (let i = 0; i < inputs.length; i++) {
this.weights[i] += this.learnc * error * inputs[i];
}
}
}
Zpětná propagace
Po každém odhadu perceptron vypočítá, jak špatný byl odhad.
Pokud je odhad špatný, perceptron upraví vychýlení a váhy tak, aby byl příště odhad o něco přesnější.
Tento typ učení se nazývá backpropagation .
Po vyzkoušení (několika tisíckrát) bude váš perceptron docela dobrý v hádání.
Vytvořte si vlastní knihovnu
Knihovní řád
// Perceptron Object
function Perceptron(no, learningRate = 0.00001) {
// Set Initial Values
this.learnc = learningRate;
this.bias = 1;
// Compute Random Weights
this.weights = [];
for (let i = 0; i <= no; i++) {
this.weights[i] = Math.random() * 2 - 1;
}
// Activate Function
this.activate = function(inputs) {
let sum = 0;
for (let i = 0; i < inputs.length; i++) {
sum += inputs[i] * this.weights[i];
}
if (sum > 0) {return 1} else {return 0}
}
// Train Function
this.train = function(inputs, desired) {
inputs.push(this.bias);
let guess = this.activate(inputs);
let error = desired - guess;
if (error != 0) {
for (let i = 0; i < inputs.length; i++) {
this.weights[i] += this.learnc * error * inputs[i];
}
}
}
// End Perceptron Object
}
Nyní můžete knihovnu zahrnout do HTML:
<script src="myperceptron.js"></script>
Používejte svou knihovnu
Příklad
// Initiate Values
const numPoints = 500;
const learningRate = 0.00001;
// Create a Plotter
const plotter = new XYPlotter("myCanvas");
plotter.transformXY();
const xMax = plotter.xMax;
const yMax = plotter.yMax;
const xMin = plotter.xMin;
const yMin = plotter.yMin;
// Create Random XY Points
const xPoints = [];
const yPoints = [];
for (let i = 0; i < numPoints; i++) {
xPoints[i] = Math.random() * xMax;
yPoints[i] = Math.random() * yMax;
}
// Line Function
function f(x) {
return x * 1.2 + 50;
}
//Plot the Line
plotter.plotLine(xMin, f(xMin), xMax, f(xMax), "black");
// Compute Desired Answers
const desired = [];
for (let i = 0; i < numPoints; i++) {
desired[i] = 0;
if (yPoints[i] > f(xPoints[i])) {desired[i] = 1}
}
// Create a Perceptron
const ptron = new Perceptron(2, learningRate);
// Train the Perceptron
for (let j = 0; j <= 10000; j++) {
for (let i = 0; i < numPoints; i++) {
ptron.train([xPoints[i], yPoints[i]], desired[i]);
}
}
// Display the Result
for (let i = 0; i < numPoints; i++) {
const x = xPoints[i];
const y = yPoints[i];
let guess = ptron.activate([x, y, ptron.bias]);
let color = "black";
if (guess == 0) color = "blue";
plotter.plotPoint(x, y, color);
}