کد نویسی شبکه عصبی ساده با توضیحات کامل بده
- User
کد نویسی شبکه عصبی ساده با توضیحات کامل بده
- 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:
- وارد کردن کتابخانه نامپای برای کار با آرایهها و ماتریسها
- تعریف تابع فعالسازی سیگموید و مشتق آن
- ایجاد دیتای ورودی و خروجی
- ایجاد مقدار اولیه تصادفی برای وزنها
- آموزش شبکه عصبی با تکرار 10000 بار
- محاسبه خروجی با استفاده از دادههای ورودی و وزنهای کنونی
- محاسبه خطا با انفورماسیون واقعی (تفاوت خروجی موردنظر و خروجی پیشبینی شده)
- محاسبه تغییرات موردنیاز در وزنها با استفاده از مشتق تابع سیگموید
- بهروزرسانی وزنها
- نمایش وزنها و خروجی پیشبینی شده پس از آموزش
- User
کدها رو خط به خط بصورت کامل توضیح بده
- Assistant
خط 1:
import numpy as npوارد 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]]).Tایجاد یک آرایه خروجی متناظر با دادههای ورودی.
خط 18-19:
np.random.seed(1) weights_hidden = np.random.random((3, 1)) * 2 - 1تنظیم 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_dataتخصیص 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_predictedمحاسبه 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.