Skip to content
The Chat Archive
gpt-4-0314· OpenAI WildChat-4.8M (AI2)

Напиши код самообучающейся нейросети на Python

  1. User

    Напиши код самообучающейся нейросети на Python

  2. 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.