Trening perceptronu
- Utwórz obiekt perceptronu
- Utwórz funkcję treningową
- Trenuj perceptron pod kątem pożądanych odpowiedzi
Zadanie szkoleniowe
Wyobraź sobie linię prostą w przestrzeni z rozproszonymi punktami xy.
Wytrenuj perceptron, aby klasyfikował punkty nad i pod linią.
Utwórz obiekt perceptronu
Utwórz obiekt Perceptron. Nazwij to cokolwiek (np. Perceptron).
Niech perceptron przyjmie dwa parametry:
- Liczba wejść (nie)
- Szybkość uczenia się (learningRate).
Ustaw domyślną szybkość uczenia się na 0,00001.
Następnie utwórz losowe wagi od -1 do 1 dla każdego wejścia.
Przykład
// 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
}
Wagi losowe
Perceptron zacznie od losowej wagi dla każdego wejścia.
Szybkość uczenia się
Za każdy błąd podczas treningu perceptronu, ciężary będą korygowane z niewielkim ułamkiem.
Ten mały ułamek to „ szybkość uczenia się Perceptronu ”.
W obiekcie Perceptron nazywamy to learnc .
Stronniczość
Czasami, jeśli oba wejścia mają wartość zero, perceptron może generować poprawny wynik.
Aby tego uniknąć, dajemy perceptronowi dodatkowe wejście o wartości 1.
Nazywa się to uprzedzeniem .
Dodaj funkcję aktywacji
Zapamiętaj algorytm perceptronu:
- Pomnóż każdy sygnał wejściowy przez wagi perceptronu
- Podsumuj wyniki
- Oblicz wynik
Przykład
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}
}
Funkcja aktywacji zwróci:
- 1 jeśli suma jest większa niż 0
- 0, jeśli suma jest mniejsza niż 0
Utwórz funkcję treningową
Funkcja treningu odgaduje wynik na podstawie funkcji aktywacji.
Za każdym razem, gdy przypuszczenie jest błędne, perceptron powinien dostosować wagi.
Po wielu domysłach i korektach wagi będą prawidłowe.
Przykład
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];
}
}
}
Propagacja wsteczna
Po każdym odgadnięciu perceptron oblicza, jak błędne było odgadnięcie.
Jeśli odgadnięcie jest błędne, perceptron dostosowuje odchylenie i wagi tak, aby przypuszczenie było nieco bardziej poprawne następnym razem.
Ten rodzaj uczenia się nazywamy propagacją wsteczną .
Po wypróbowaniu (kilka tysięcy razy) twój perceptron stanie się całkiem dobry w zgadywaniu.
Stwórz własną bibliotekę
Kod biblioteki
// 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
}
Teraz możesz dołączyć bibliotekę do HTML:
<script src="myperceptron.js"></script>
Użyj swojej biblioteki
Przykład
// 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);
}