当前位置:首页 > 公众号精选 > TsinghuaJoking
[导读]当学习信号 取不同形式,可以得到神经元的三大类不同修正方式(无监督、有监督、死记忆)。下面给出神经元模型和训练样本数据,请通过编程实现上述表格中的五种算法并给出计算结果。通过这个作业练习,帮助大家熟悉神经元的各种学习算法。


01 习算法

一、题目内容

1、背景介绍

在第一章介绍了日本学者 “甘利俊一” 提出的统一公式,把对神经元输入连接权系数的修正 分成了三个独立成分的乘积:学习速率 , 学习信号 以及输入向量

▲ 图1.1 神经网络中神经元学习的统一公式

当学习信号 取不同形式,可以得到神经元的三大类不同修正方式(无监督、有监督、死记忆)。下面给出神经元模型和训练样本数据,请通过编程实现上述表格中的五种算法并给出计算结果。通过这个作业练习,帮助大家熟悉神经元的各种学习算法。

2、神经元模型

下面给出神经元模型,根据不同的算法要求:

  • 选择相应的传递函数种类(离散二值函数、连续 Sigmoid 函数):除了Perceptron算法选择二值函数外,其它都选择Sigmoid函数,
  • 神经元权系数( )都初始化成 0。
▲ 图1.1.2 神经元及其传递函数

3、样本数据

训练样本包括 6 个数据,它们的分布如下图所示:

▲ 图1.1.3 神经元训练数据

【表1-2 样本数据】

序列 X1 X2 类别
1 -0.1 0.3 1
2 0.5 0.7 -1
3 -0.5 0.2 1
4 -0.7 0.3 1
5 0.7 0.1 -1
6 0.0 0.5 1
import sys,os,math,time import matplotlib.pyplot as plt from numpy import *

xdim = [(-0.1,0.3), (0.5,0.7), (-0.5,0.2),(-0.7,0.3),(0.7,0.1),(0,0.5)]
ldim = [1,-1,1,1,-1,1]

print("序列", "X1", "X2", "类别")

count = 0 for x,l in zip(xdim, ldim):

    count += 1 print("%d %3.1f %3.1f %d"%(count, x[0], x[1], l)) if l > 0:
        marker = 'o' color = 'blue' else:
        marker = '+' color = 'red' plt.scatter(x[0], x[1], marker=marker, c=color)
    plt.text(x[0]+0.05,x[1],'(%3.1f,%3.1f)'%(x[0],x[1]))

plt.axis([-0.8, 0.8,-0.1, 1])
plt.xlabel("X1")
plt.ylabel("X2")
plt.grid(True)
plt.tight_layout()
plt.show()

二、作业要求

1、必做内容

1.  给出每个学习算法核心代码;

2. 给出经过一轮样本学习之后神经元的权系数数值结果(w1,w2,b);* 权系数初始化为 0;* 学习速率 ; * 训练样本按照 表格1-2 的顺序对神经元进行训练;

2、选做内容

1. 在坐标系中绘制出经过一轮训练之后,权系数(w1,w2)所在的空间位置;

2. 简单讨论一下不同算法对于神经元权系数的影响;

import sys,os,math,time import matplotlib.pyplot as plt from numpy import *

xdim = [(-0.1,0.3), (0.5,0.7), (-0.5,0.2),(-0.7,0.3),(0.7,0.1),(0,0.5)]
ddim = [1,-1,1,1,-1,1] def sigmoid(x): return 1/(1+exp(-x)) def hebbian(w,x,d): x1 = [1,x[0],x[1]]
    net = sum([ww*xx for ww,xx in zip(w, x1)])
    o = sigmoid(net)
    w1 = [ww+o*xx for ww,xx in zip(w,x1)] return w1 def perceptron(w,x,d): x1 = [1,x[0],x[1]]
    net = sum([ww*xx for ww,xx in zip(w, x1)])
    o = 1 if net >= 0 else -1 w1 = [ww+(d-o)*xx for ww,xx in zip(w,x1)] return w1 def delta(w,x,d): x1 = [1,x[0],x[1]]
    net = sum([ww*xx for ww,xx in zip(w, x1)])
    o = sigmoid(net)
    o1 = o*(1-o)
    w1 = [ww+(d-o)*o1*xx for ww,xx in zip(w,x1)] return w1 def widrawhoff(w,x,d): x1 = [1,x[0],x[1]]
    net = sum([ww*xx for ww,xx in zip(w, x1)])
    o = sigmoid(net)
    w1 = [ww+(d-o)*xx for ww,xx in zip(w,x1)] return w1 def correlation(w,x,d): x1 = [1,x[0],x[1]]
    w1 = [ww+d*xx for ww,xx in zip(w,x1)] return w1

wb = [0,0,0] # [b, w1, w2] for x,d in zip(xdim, ddim):
    wb = correlation(wb,x,d)
    print(wb)

02 知机

一、感知机算法求解分类问题

1、样本数据

利用单个神经元求解下面分类问题。数据具有两种表示形式:一种是二进制(0,1)表示形式,另一种是双极性(-1,1)表示形式。

▲ 图2.1.1 分类数据及其在三维坐标中的位置

2、作业要求

  1. 绘制出网络结构图,并给出算法核心代码;
  2. 对比不同学习速率对于训练收敛的影响;
  3. 对比不同数据表达式方式(二进制、双极性)对于收敛的影响。

二、感知机识别字母

1、样本数据

如下是三个字母 C,H,L 的 5×5 的点阵图。

▲ 图2.2.1 C,H,L字母的点阵图

给它们添加噪声,形成带有噪声的样本,噪声样本与正确样本之间的海明距离(Hamming Distance)为1,即两个二值向量之间不相同元素的个数为1,下面是三个字母的噪声样本的示例:

▲ 图2.2.2 与三个字母Hamming距离为1的噪声样本

带有噪声的样本可以在原有正确样本的基础上,随机选择一个元素,将其从原来的0或者1,改变成1,或者0。因此字母C,H,L各自有25个与其Hamming距离为1的带有噪声的样本。

按照这种方式还可以构造出带有两个噪声点的数据集合,也就是随机在字符点阵图上选择两个点,将其数据进行修改,带有两个噪声的样本有 个。

2、作业基本要求

  1. 建立由三个神经元组成的简单感知机网络,完成上述三个字母的识别训练;
  2. 测试训练之后的网络在带有一个噪声点的数据集合上的识别效果;

3、选做内容

  1. 测试上述感知机网络在两个噪声点的数据集合上的识别效果;
  2. 对比以下两种情况训练的感知机的性能。
    • 第一种情况:只使用没有噪声的三个字母进行训练;
    • 第二种情况:使用没有噪声和有一个噪声点的样本进行训练;
  3. 对比不同的学习速率对于训练过程的影响。

对比上面两种训练情况在两个噪声点数据集合上的识别效果。

03 Adaline网络

这是选择题目。

一、题目内容

1、背景介绍

自适应线性神经元 ADALINE(Adatpive Linear Neuron)是由 Bernard Widrow 与 Ted Hoff 在 1959年提出的算法。关于他们提出算法前后的故事,大家可以参照网文:The ADALINE - Theory and Implementation of the First Neural Network Trained With Gradient Descent[2] 进行了解。

下面也是根据上述网文中所介绍的两种鸟类(猫头鹰与信天翁)数据集合,产生相应的分类数据集合。大家使用 ADALINE 算法完成它们的分类器算法。

▲ 图3.1.1 猫头鹰与信天翁

2、样本数据

(1)数据参数

根据Wikipedia 中关于 信天翁 Wandering albatross[3] 和 猫头鹰( Great horned owl[4] )的相关数据,这两种鸟类的题中和翼展长度如下表所示。

【表1-3 两种鸟类的体型数据】

种类 体重(kg) 翼展(m)
信天翁 9 3
猫头鹰 1.2 1.2

使用计算机产生两个鸟类体型随机数据数据,下表给出了每一类数据产生的参数:

【表1-4 两类鸟类数据产生参数】

鸟类 体重平均值 体重方差 翼展平均值 翼展方差 个数 分类
信天翁 9000 800 300 20 100 1
猫头鹰 1000 200 100 15 100 -1

(2)Python示例代码

下面给出了产生随机样本数据的 Python 示例代码。大家可以参照这些代码,使用自己熟悉的 编程语言来实现。

def species_generator(mu1, sigma1, mu2, sigma2, n_samples, target, seed): '''creates [n_samples, 2] array
    
    Parameters
    ----------
    mu1, sigma1: int, shape = [n_samples, 2]
        mean feature-1, standar-dev feature-1
    mu2, sigma2: int, shape = [n_samples, 2]
        mean feature-2, standar-dev feature-2
    n_samples: int, shape= [n_samples, 1]
        number of sample cases
    target: int, shape = [1]
        target value
    seed: int
        random seed for reproducibility
    
    Return
    ------
    X: ndim-array, shape = [n_samples, 2]
        matrix of feature vectors
    y: 1d-vector, shape = [n_samples, 1]
        target vector
    ------
    X''' rand = np.random.RandomState(seed)
    f1 = rand.normal(mu1, sigma1, n_samples)
    f2 = rand.normal(mu2, sigma2, n_samples)
    X = np.array([f1, f2])
    X = X.transpose()
    y = np.full((n_samples), target) return X, y
▲ 图3.1.2 产生两类数据的分布

二、作业要求

1. 构造一个 ADALINE 神经元,完成上述两类鸟类的分类。由于需要进行分类,在对 ADALINE 的输出在经过一个符号函数(sgn)便可以完成结果的分类;

2. 利用上述数据对 ADALINE 进行训练。观察记录训练误差变化的曲线。

3. 讨论不同的学习速率对于训练结果的影响,看是否存在一个数值,当学习速率超过这个数值之后,神经元训练过程不再收敛。


本站声明: 本文章由作者或相关机构授权发布,目的在于传递更多信息,并不代表本站赞同其观点,本站亦不保证或承诺内容真实性等。需要转载请联系该专栏作者,如若文章内容侵犯您的权益,请及时联系本站删除。
换一批
延伸阅读

9月2日消息,不造车的华为或将催生出更大的独角兽公司,随着阿维塔和赛力斯的入局,华为引望愈发显得引人瞩目。

关键字: 阿维塔 塞力斯 华为

加利福尼亚州圣克拉拉县2024年8月30日 /美通社/ -- 数字化转型技术解决方案公司Trianz今天宣布,该公司与Amazon Web Services (AWS)签订了...

关键字: AWS AN BSP 数字化

伦敦2024年8月29日 /美通社/ -- 英国汽车技术公司SODA.Auto推出其旗舰产品SODA V,这是全球首款涵盖汽车工程师从创意到认证的所有需求的工具,可用于创建软件定义汽车。 SODA V工具的开发耗时1.5...

关键字: 汽车 人工智能 智能驱动 BSP

北京2024年8月28日 /美通社/ -- 越来越多用户希望企业业务能7×24不间断运行,同时企业却面临越来越多业务中断的风险,如企业系统复杂性的增加,频繁的功能更新和发布等。如何确保业务连续性,提升韧性,成...

关键字: 亚马逊 解密 控制平面 BSP

8月30日消息,据媒体报道,腾讯和网易近期正在缩减他们对日本游戏市场的投资。

关键字: 腾讯 编码器 CPU

8月28日消息,今天上午,2024中国国际大数据产业博览会开幕式在贵阳举行,华为董事、质量流程IT总裁陶景文发表了演讲。

关键字: 华为 12nm EDA 半导体

8月28日消息,在2024中国国际大数据产业博览会上,华为常务董事、华为云CEO张平安发表演讲称,数字世界的话语权最终是由生态的繁荣决定的。

关键字: 华为 12nm 手机 卫星通信

要点: 有效应对环境变化,经营业绩稳中有升 落实提质增效举措,毛利润率延续升势 战略布局成效显著,战新业务引领增长 以科技创新为引领,提升企业核心竞争力 坚持高质量发展策略,塑强核心竞争优势...

关键字: 通信 BSP 电信运营商 数字经济

北京2024年8月27日 /美通社/ -- 8月21日,由中央广播电视总台与中国电影电视技术学会联合牵头组建的NVI技术创新联盟在BIRTV2024超高清全产业链发展研讨会上宣布正式成立。 活动现场 NVI技术创新联...

关键字: VI 传输协议 音频 BSP

北京2024年8月27日 /美通社/ -- 在8月23日举办的2024年长三角生态绿色一体化发展示范区联合招商会上,软通动力信息技术(集团)股份有限公司(以下简称"软通动力")与长三角投资(上海)有限...

关键字: BSP 信息技术
关闭