gpt-4-0314· OpenAI WildChat-4.8M (AI2)
Напиши код самообучающейся нейросети на Python
- User
Напиши код самообучающейся нейросети на Python
- Assistant
Создать полностью функциональную нейросеть с нуля может быть довольно объемной задачей. Здесь представлен простой пример самообучающейся нейросети на Python с использованием библиотеки NumPy. Эта нейросеть имеет один скрытый слой и применима только для обучения XOR-функции.
import numpy as np # Сигмоидальная функция активации и ее производная def sigmoid(x): return 1 / (1 + np.exp(-x)) def sigmoid_derivative(x): return x * (1 - x) # Входные данные inputs = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) # Целевые значения output_data = np.array([[0], [1], [1], [0]]) # Инициализация весов и скорость обучения hidden_layer_weights = np.random.uniform(size=(2, 2)) output_layer_weights = np.random.uniform(size=(2, 1)) lr = 0.5 # Обучение нейросети for _ in range(10000): # Прямое распространение hidden_layer_input = np.dot(inputs, hidden_layer_weights) hidden_layer_output = sigmoid(hidden_layer_input) output_layer_input = np.dot(hidden_layer_output, output_layer_weights) predictions = sigmoid(output_layer_input) # Обратное распространение output_error = output_data - predictions d_output = output_error * sigmoid_derivative(predictions) hidden_layer_error = np.dot(d_output, output_layer_weights.T) d_hidden_layer = hidden_layer_error * sigmoid_derivative(hidden_layer_output) # Обновление весов output_layer_weights += np.dot(hidden_layer_output.T, d_output) * lr hidden_layer_weights += np.dot(inputs.T, d_hidden_layer) * lr # Результат обучения print("После обучения:") print(predictions)Этот пример работает только с XOR, но можно использовать более мощные библиотеки и инструменты, такие как TensorFlow, Keras или PyTorch, чтобы создавать и обучать сложные нейронные сети для реальных задач. Важно заметить, что для разведения данных на train и test, оптимизации гиперпараметров и т.д. можно использовать библиотеку scikit-learn.