python简单的神经网络正确的XOR函数

Question

我已经实现了这个简单的模型来学习神经网络，它训练良好，并给出了最初给出的输出。

这就是我在XOR功能识别的例子中的一种损失，我希望能够测试它，而不是训练它。似乎所有在线阅读都是关于训练，然后在那里停下来。

这是否意味着对于每个新输入模型都必须重新计算和训练整个集合？与权重有什么关系？您将如何继续将模型运行为“现场”并将新的输入作为其现场反馈的一部分以及正在进行的经常性培训？

感谢

import numpy as np 

def nonlin(x, deriv=False): 
    if(deriv==True): 
     return x*(1-x) 

    return 1/(1+np.exp(-x)) 

#4x2 
x = np.array([[0,0],[0,1],[1,0],[1,1]]) 
print (x) 

#1x4 
y = np.array([[0],[1],[1],[0]]) 

np.random.seed(1) 

syn0 = 2*np.random.random((2,4))-1 
print (syn0) 

syn1 = 2*np.random.random((4,1))-1 

for j in range(60000): 

    l0 = x; 
    l1 = nonlin(np.dot(l0,syn0)) 
    l2 = nonlin(np.dot(l1,syn1)) 

    l2_error = y - l2 

    l2_delta = l2_error*nonlin(l2, deriv=True) 

    l1_error = l2_delta.dot(syn1.T) 

    l1_delta = l1_error * nonlin(l1,deriv=True) 

    syn1 += l1.T.dot(l2_delta) 
    syn0 += l0.T.dot(l1_delta) 

    if(j % 10000) ==0: 
     print ("Error:" + str(np.mean(np.abs(l2_error)))) 

print ("Output after training") 
print (syn0) 
print (syn1) 
print (l2) 

Answer 1

你只需要分解出实际执行的神经网络计算，这里的代码是你的代码修改这种方式：

import numpy as np 

def nonlin(x, deriv=False): 
    if(deriv==True): 
     return x*(1-x) 

    return 1/(1+np.exp(-x)) 


#4x2 
x = np.array([[0,0],[0,1],[1,0],[1,1]]) 
print ("x=",x) 

#1x4 
y = np.array([[0],[1],[1],[0]]) 
print ("y=",y) 

np.random.seed(1) 

syn0 = 2*np.random.random((2,4))-1 
print (syn0) 

syn1 = 2*np.random.random((4,1))-1 

def NN(x): 
    l0 = x; 
    l1 = nonlin(np.dot(l0,syn0)) 
    l2 = nonlin(np.dot(l1,syn1)) 
    return (l0,l1,l2) 

for j in range(60000): 

    l0,l1,l2 = NN(x) 

    l2_error = y - l2 

    l2_delta = l2_error*nonlin(l2, deriv=True) 

    l1_error = l2_delta.dot(syn1.T) 

    l1_delta = l1_error * nonlin(l1,deriv=True) 

    syn1 += l1.T.dot(l2_delta) 
    syn0 += l0.T.dot(l1_delta) 

    if(j % 10000) ==0: 
     print ("Error:" + str(np.mean(np.abs(l2_error)))) 

print ("Output after training") 
print ("trained l0 weights:",syn0) 
print ("trained l1 weights:",syn1) 
l0,l1,l2 = NN(x) 
print ("NN(",x,") == ",l2) 

这里NN（x）是执行神经网络计算的功能。它返回一个元组中的输入矢量，隐藏层和输出图层值。你可以编码一个单独的功能，以清洁界面：

def NNout(x,syn0,syn1): 
    l0 = x; 
    l1 = nonlin(np.dot(l0,syn0)) 
    l2 = nonlin(np.dot(l1,syn1)) 
    return l2