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

کد نویسی شبکه عصبی ساده با توضیحات کامل بده

  1. User

    کد نویسی شبکه عصبی ساده با توضیحات کامل بده

  2. Assistant

    در اینجا یک مثال از پیاده‌سازی یک شبکه عصبی ساده با کتابخانه نامپای در پایتون را ارائه خواهیم داد. این شبکه عصبی دارای یک لایه پنهان با ۳ نیورون و تابع فعال‌سازی سیگموید خواهد بود. همچنین توضیحات کاملی در مورد هر بخش ارائه می‌دهیم.

    import numpy as np
    
    # تابع فعال‌سازی سیگموید و مشتق آن
    def sigmoid(x):
        return 1 / (1 + np.exp(-x))
    
    def sigmoid_derivative(x):
        return x * (1 - x)
    
    # مجموعه داده ورودی - (4 نمونه با 3 ویژگی)
    input_data = np.array([[0,0,1],
                          [1,1,1],
                          [1,0,1],
                          [0,1,1]])
    
    # خروجی مورد نظر
    output_data = np.array([[0,1,1,0]]).T
    
    # تنظین شبکه عصبی با مقادیر تصادفی
    np.random.seed(1)
    weights_hidden = np.random.random((3, 1)) * 2 - 1
    print("Initial random weights: \n", weights_hidden)
    
    # آموزش شبکه عصبی
    for iteration in range(10000):
        # محاسبه خروجی شبکه عصبی
        input_layer = input_data
        output_predicted = sigmoid(np.dot(input_layer, weights_hidden))
    
        # محاسبه خطا
        error = output_data - output_predicted
    
        # محاسبه تغییرات موردنیاز با استفاده از مشتق تابع فعال‌سازی سیگموید
        adjustments = error * sigmoid_derivative(output_predicted)
    
        # به‌روزرسانی وزن‌ها
        weights_hidden += np.dot(input_layer.T, adjustments)
    
    print("Weights after training: \n", weights_hidden)
    print("Predicted output after training: \n", output_predicted)
    

    توضیحات:

    1. وارد کردن کتابخانه نامپای برای کار با آرایه‌ها و ماتریس‌ها
    2. تعریف تابع فعال‌سازی سیگموید و مشتق آن
    3. ایجاد دیتای ورودی و خروجی
    4. ایجاد مقدار اولیه تصادفی برای وزن‌ها
    5. آموزش شبکه عصبی با تکرار 10000 بار
      1. محاسبه خروجی با استفاده از داده‌های ورودی و وزن‌های کنونی
      2. محاسبه خطا با انفورماسیون واقعی (تفاوت خروجی موردنظر و خروجی پیش‌بینی شده)
      3. محاسبه تغییرات موردنیاز در وزن‌ها با استفاده از مشتق تابع سیگموید
      4. به‌روزرسانی وزن‌ها
    6. نمایش وزن‌ها و خروجی پیش‌بینی شده پس از آموزش
  3. User

    کدها رو خط به خط بصورت کامل توضیح بده

  4. Assistant

    خط 1:

    import numpy as np
    

    وارد کردن کتابخانه Numpy که به ما امکان کار با آرایه‌ها و ماتریس‌ها را به راحتی می‌دهد. از این به بعد numpy را با نام np به کار می‌بریم.

    خط 3-6:

    def sigmoid(x):
        return 1 / (1 + np.exp(-x))
    
    def sigmoid_derivative(x):
        return x * (1 - x)
    

    تعریف توابع فعال‌سازی سیگموید و مشتق آن. این توابع برای ایجاد تابع فعالیتی برای شبکه عصبی به کار می‌روند.

    خط 9-12:

    input_data = np.array([[0,0,1],
                          [1,1,1],
                          [1,0,1],
                          [0,1,1]])
    

    ایجاد یک آرایه‌ی داده‌های ورودی به عنوان مجموعه داده.

    خط 15:

    output_data = np.array([[0,1,1,0]]).T
    

    ایجاد یک آرایه خروجی متناظر با داده‌های ورودی.

    خط 18-19:

    np.random.seed(1)
    weights_hidden = np.random.random((3, 1)) * 2 - 1
    

    تنظیم مقادیر اولیه‌ی تصادفی برای وزن‌های شبکه عصبی

    خط 21:

    for iteration in range(10000):
    

    تکرار آموزش برای 10000 بار. این مقدار، تعداد دفعات به‌روزرسانی وزن‌ها را برای بهبود عملکرد شبکه عصبی مشخص می‌کند.

    خط 23:

    input_layer = input_data
    

    تخصیص داده‌های ورودی به لایه ورودی شبکه.

    خط 24:

    output_predicted = sigmoid(np.dot(input_layer, weights_hidden))
    

    محاسبه خروجی پیش‌بینی شده با استفاده از داده‌های ورودی، وزن‌ها و تابع سیگموید.

    خط 27:

    error = output_data - output_predicted
    

    محاسبه خطا بین خروجی موردنظر و خروجی پیش‌بینی شده توسط شبکه عصبی.

    خط 30:

    adjustments = error * sigmoid_derivative(output_predicted)
    

    محاسبه تغییرات موردنیاز در وزن‌ها با استفاده از خطا و مشتق تابع سیگموید.

    خط 33:

    weights_hidden += np.dot(input_layer.T, adjustments)
    

    به‌روزرسانی وزن‌ها با تغییرات محاسبه شده.

    خط 35:

    print("Weights after training: \n", weights_hidden)
    

    پرینت کردن وزن‌ها بعد از آموزش (10000 بار تکرار).

    خط 36:

    print("Predicted output after training: \n", output_predicted)
    

    پرینت کردن خروجی پیش‌بینی شده توسط شبکه عصبی بعد از فرایند آموزش.