Обучение персептрона
- Создайте объект персептрона
- Создайте функцию обучения
- Обучите персептрон желаемым ответам
Учебное задание
Представьте прямую линию в пространстве с разбросанными точками xy.
Обучите персептрон классифицировать точки над и под линией.
Создайте объект персептрона
Создайте объект Perceptron. Назовите его как угодно (например, Perceptron).
Пусть персептрон принимает два параметра:
- Количество входов (нет)
- Скорость обучения (learningRate).
Установите скорость обучения по умолчанию на 0,00001.
Затем создайте случайные веса от -1 до 1 для каждого входа.
Пример
// 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
}
Случайные веса
Персептрон запустится со случайным весом для каждого входа.
Скорость обучения
Для каждой ошибки при обучении Персептрона веса будут корректироваться с небольшой долей.
Эта небольшая часть является « скоростью обучения персептрона ».
В объекте Perceptron мы называем это Learnc .
Предвзятость
Иногда, если оба входа равны нулю, персептрон может выдать неверный результат.
Чтобы избежать этого, мы даем персептрону дополнительный вход со значением 1.
Это называется предвзятостью .
Добавить функцию активации
Вспомните алгоритм персептрона:
- Умножьте каждый вход на вес персептрона.
- Суммируйте результаты
- Вычислить результат
Пример
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}
}
Функция активации выдаст:
- 1, если сумма больше 0
- 0, если сумма меньше 0
Создайте функцию обучения
Функция обучения угадывает результат на основе функции активации.
Каждый раз, когда догадка неверна, персептрон должен корректировать веса.
После многих догадок и корректировок веса будут правильными.
Пример
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];
}
}
}
Обратное распространение
После каждого предположения персептрон вычисляет, насколько оно было ошибочным.
Если догадка неверна, персептрон корректирует смещение и веса, чтобы в следующий раз догадка была немного более правильной.
Этот тип обучения называется обратным распространением .
После попытки (несколько тысяч раз) ваш персептрон станет довольно хорошо угадывать.
Создайте свою собственную библиотеку
Библиотечный код
// 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
}
Теперь вы можете включить библиотеку в HTML:
<script src="myperceptron.js"></script>
Используйте свою библиотеку
Пример
// 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);
}