Ideone.com

fork download

copy

import numpy as np
from itertools import product  # To generate all binary combinations
 
# Initialisierung der Schwellenwerte
lower_threshold = 0.8
upper_threshold = 1.2
 
# Lernrate
learning_rate = 0.1
 
# Trainingsdaten (Inputs für das XOR-Problem und andere)
inputs = [[0, 0], [0, 1], [1, 0], [1, 1]]
 
# Alle möglichen Zieltabellen (16 Kombinationen)
all_possible_targets = list(product([0, 1], repeat=4))
 
# Trainingsloop für jede mögliche Zieltabelle
for table_index, targets in enumerate(all_possible_targets, start=1):
    print(f"\n=== Wahrheitstabelle {table_index}: Targets = {targets} ===")
 
    # Trainingsloop mit max. 1000 Iterationen
    max_iterations = 1000
    epoch = 0
    network_trained = False
    start_weights = None
    final_weights = None
    final_bias = None
    all_epoch_outputs = []  # Store outputs of all epochs for debugging and transparency
 
    while epoch < max_iterations:
        epoch += 1
        all_correct = True  # Flag, um zu überprüfen, ob alle Ausgaben korrekt sind
        current_weights = np.abs(np.random.rand(2))  # Zufällige Startgewichte (nur positive Werte)
        bias = np.random.rand()  # Randomly initialize the bias term for this epoch
 
        if epoch == 1:  # Die erste Iteration nach Initialisierung
            start_weights = current_weights  # Speichere die Startgewichte
 
        epoch_outputs = []  # To store outputs of this epoch
 
        for input_vector, target in zip(inputs, targets):
            # Berechnung der gewichteten Summe mit Bias
            weighted_sum = np.dot(input_vector, current_weights) + bias
 
            # Aktivierungsfunktion (einfache Schwellenwertfunktion)
            output = 1 if lower_threshold < weighted_sum < upper_threshold else 0
 
            # Fehlerberechnung
            error = target - output
 
            # Wenn ein Fehler vorliegt, dann weise die Gewichte an
            if error != 0:
                all_correct = False
                # Update weights and ensure they remain non-negative
                current_weights += learning_rate * error * np.array(input_vector)
                current_weights = np.maximum(current_weights, 0)  # Ensure non-negativity
                bias += learning_rate * error  # Update the bias
 
            epoch_outputs.append((input_vector, output, target))  # Save each iteration's output
 
        all_epoch_outputs.append(epoch_outputs)
 
        # Print outputs for the first 3 iterations
        if epoch <= 3:
            print(f"\nEpoch {epoch}:")
            for input_vector, output, target in epoch_outputs:
                print(f"  Input: {input_vector}, Output: {output}, Target: {target}")
 
        # Überprüfe, ob alle Ausgaben korrekt sind
        if all_correct:
            network_trained = True
            final_weights = current_weights  # Speichere die finalen Gewichte
            final_bias = bias  # Speichere die finale Bias
            break  # Stoppe, wenn alle Ausgaben korrekt sind
 
        # Wenn Tabelle nach 100 Iterationen nicht gelernt wurde, setze neue zufällige Startgewichte
        if epoch % 100 == 0:
            print(f"Nicht funktionierende Startgewichte: {start_weights}")
            start_weights = np.abs(np.random.rand(2))  # Setze neue Startgewichte (nur positive Werte)
 
    # Print the final result
    if network_trained:
        print(f"\nDas Netzwerk hat Wahrheitstabelle {table_index} korrekt nach {epoch} Iterationen gelernt.")
        print(f"Die Working Startgewichte waren: {start_weights}")
        print(f"Die finalen Gewichte sind: {final_weights}")
        print(f"Der finale Bias ist: {final_bias}")
 
        # Testen des Netzwerks nach den Lern-Iterationen
        print("\nFinal Test Output:")
        for input_vector, target in zip(inputs, targets):
            weighted_sum = np.dot(input_vector, final_weights) + final_bias
            output = 1 if lower_threshold < weighted_sum < upper_threshold else 0
            print(f"Input: {input_vector}, Target: {target}, Output: {output}")
    else:
        print(f"\nDas Netzwerk hat Wahrheitstabelle {table_index} nach {epoch} Iterationen nicht korrekt gelernt.")

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

Success #stdin #stdout 0.38s 29096KB

stdin

copy

Standard input is empty

stdout

copy

=== Wahrheitstabelle 1: Targets = (0, 0, 0, 0) ===

Epoch 1:
  Input: [0, 0], Output: 0, Target: 0
  Input: [0, 1], Output: 0, Target: 0
  Input: [1, 0], Output: 0, Target: 0
  Input: [1, 1], Output: 0, Target: 0

Das Netzwerk hat Wahrheitstabelle 1 korrekt nach 1 Iterationen gelernt.
Die Working Startgewichte waren: [0.02286285 0.91274459]
Die finalen Gewichte sind: [0.02286285 0.91274459]
Der finale Bias ist: 0.4003916732159578

Final Test Output:
Input: [0, 0], Target: 0, Output: 0
Input: [0, 1], Target: 0, Output: 0
Input: [1, 0], Target: 0, Output: 0
Input: [1, 1], Target: 0, Output: 0

=== Wahrheitstabelle 2: Targets = (0, 0, 0, 1) ===

Epoch 1:
  Input: [0, 0], Output: 0, Target: 0
  Input: [0, 1], Output: 0, Target: 0
  Input: [1, 0], Output: 1, Target: 0
  Input: [1, 1], Output: 0, Target: 1

Epoch 2:
  Input: [0, 0], Output: 0, Target: 0
  Input: [0, 1], Output: 0, Target: 0
  Input: [1, 0], Output: 0, Target: 0
  Input: [1, 1], Output: 0, Target: 1

Epoch 3:
  Input: [0, 0], Output: 0, Target: 0
  Input: [0, 1], Output: 0, Target: 0
  Input: [1, 0], Output: 0, Target: 0
  Input: [1, 1], Output: 0, Target: 1

Das Netzwerk hat Wahrheitstabelle 2 korrekt nach 15 Iterationen gelernt.
Die Working Startgewichte waren: [0.11118641 0.89283161]
Die finalen Gewichte sind: [0.10578966 0.56062588]
Der finale Bias ist: 0.2369062906039313

Final Test Output:
Input: [0, 0], Target: 0, Output: 0
Input: [0, 1], Target: 0, Output: 0
Input: [1, 0], Target: 0, Output: 0
Input: [1, 1], Target: 1, Output: 1

=== Wahrheitstabelle 3: Targets = (0, 0, 1, 0) ===

Epoch 1:
  Input: [0, 0], Output: 0, Target: 0
  Input: [0, 1], Output: 1, Target: 0
  Input: [1, 0], Output: 1, Target: 1
  Input: [1, 1], Output: 0, Target: 0

Epoch 2:
  Input: [0, 0], Output: 0, Target: 0
  Input: [0, 1], Output: 1, Target: 0
  Input: [1, 0], Output: 0, Target: 1
  Input: [1, 1], Output: 0, Target: 0

Epoch 3:
  Input: [0, 0], Output: 0, Target: 0
  Input: [0, 1], Output: 0, Target: 0
  Input: [1, 0], Output: 0, Target: 1
  Input: [1, 1], Output: 1, Target: 0

Das Netzwerk hat Wahrheitstabelle 3 korrekt nach 13 Iterationen gelernt.
Die Working Startgewichte waren: [0.67786197 0.20138179]
Die finalen Gewichte sind: [0.39926328 0.9443132 ]
Der finale Bias ist: 0.4993377184278106

Final Test Output:
Input: [0, 0], Target: 0, Output: 0
Input: [0, 1], Target: 0, Output: 0
Input: [1, 0], Target: 1, Output: 1
Input: [1, 1], Target: 0, Output: 0

=== Wahrheitstabelle 4: Targets = (0, 0, 1, 1) ===

Epoch 1:
  Input: [0, 0], Output: 0, Target: 0
  Input: [0, 1], Output: 0, Target: 0
  Input: [1, 0], Output: 0, Target: 1
  Input: [1, 1], Output: 0, Target: 1

Epoch 2:
  Input: [0, 0], Output: 0, Target: 0
  Input: [0, 1], Output: 0, Target: 0
  Input: [1, 0], Output: 1, Target: 1
  Input: [1, 1], Output: 0, Target: 1

Epoch 3:
  Input: [0, 0], Output: 0, Target: 0
  Input: [0, 1], Output: 1, Target: 0
  Input: [1, 0], Output: 0, Target: 1
  Input: [1, 1], Output: 1, Target: 1

Das Netzwerk hat Wahrheitstabelle 4 korrekt nach 8 Iterationen gelernt.
Die Working Startgewichte waren: [0.10976064 0.56768499]
Die finalen Gewichte sind: [0.69937875 0.04500128]
Der finale Bias ist: 0.3130465274924349

Final Test Output:
Input: [0, 0], Target: 0, Output: 0
Input: [0, 1], Target: 0, Output: 0
Input: [1, 0], Target: 1, Output: 1
Input: [1, 1], Target: 1, Output: 1

=== Wahrheitstabelle 5: Targets = (0, 1, 0, 0) ===

Epoch 1:
  Input: [0, 0], Output: 0, Target: 0
  Input: [0, 1], Output: 0, Target: 1
  Input: [1, 0], Output: 1, Target: 0
  Input: [1, 1], Output: 1, Target: 0

Epoch 2:
  Input: [0, 0], Output: 0, Target: 0
  Input: [0, 1], Output: 1, Target: 1
  Input: [1, 0], Output: 0, Target: 0
  Input: [1, 1], Output: 0, Target: 0

Das Netzwerk hat Wahrheitstabelle 5 korrekt nach 2 Iterationen gelernt.
Die Working Startgewichte waren: [0.47150683 0.19687143]
Die finalen Gewichte sind: [0.74738927 0.69543457]
Der finale Bias ist: 0.4875359187229168

Final Test Output:
Input: [0, 0], Target: 0, Output: 0
Input: [0, 1], Target: 1, Output: 1
Input: [1, 0], Target: 0, Output: 0
Input: [1, 1], Target: 0, Output: 0

=== Wahrheitstabelle 6: Targets = (0, 1, 0, 1) ===

Epoch 1:
  Input: [0, 0], Output: 1, Target: 0
  Input: [0, 1], Output: 1, Target: 1
  Input: [1, 0], Output: 0, Target: 0
  Input: [1, 1], Output: 0, Target: 1

Epoch 2:
  Input: [0, 0], Output: 0, Target: 0
  Input: [0, 1], Output: 1, Target: 1
  Input: [1, 0], Output: 1, Target: 0
  Input: [1, 1], Output: 0, Target: 1

Epoch 3:
  Input: [0, 0], Output: 0, Target: 0
  Input: [0, 1], Output: 0, Target: 1
  Input: [1, 0], Output: 0, Target: 0
  Input: [1, 1], Output: 1, Target: 1

Das Netzwerk hat Wahrheitstabelle 6 korrekt nach 31 Iterationen gelernt.
Die Working Startgewichte waren: [0.92537194 0.29566317]
Die finalen Gewichte sind: [0.14672957 0.92728826]
Der finale Bias ist: 0.05406607513637396

Final Test Output:
Input: [0, 0], Target: 0, Output: 0
Input: [0, 1], Target: 1, Output: 1
Input: [1, 0], Target: 0, Output: 0
Input: [1, 1], Target: 1, Output: 1

=== Wahrheitstabelle 7: Targets = (0, 1, 1, 0) ===

Epoch 1:
  Input: [0, 0], Output: 0, Target: 0
  Input: [0, 1], Output: 1, Target: 1
  Input: [1, 0], Output: 0, Target: 1
  Input: [1, 1], Output: 0, Target: 0

Epoch 2:
  Input: [0, 0], Output: 1, Target: 0
  Input: [0, 1], Output: 0, Target: 1
  Input: [1, 0], Output: 1, Target: 1
  Input: [1, 1], Output: 0, Target: 0

Epoch 3:
  Input: [0, 0], Output: 0, Target: 0
  Input: [0, 1], Output: 0, Target: 1
  Input: [1, 0], Output: 0, Target: 1
  Input: [1, 1], Output: 0, Target: 0

Das Netzwerk hat Wahrheitstabelle 7 korrekt nach 6 Iterationen gelernt.
Die Working Startgewichte waren: [0.64339602 0.34526467]
Die finalen Gewichte sind: [0.45923636 0.33064948]
Der finale Bias ist: 0.5796531406358342

Final Test Output:
Input: [0, 0], Target: 0, Output: 0
Input: [0, 1], Target: 1, Output: 1
Input: [1, 0], Target: 1, Output: 1
Input: [1, 1], Target: 0, Output: 0

=== Wahrheitstabelle 8: Targets = (0, 1, 1, 1) ===

Epoch 1:
  Input: [0, 0], Output: 0, Target: 0
  Input: [0, 1], Output: 0, Target: 1
  Input: [1, 0], Output: 0, Target: 1
  Input: [1, 1], Output: 0, Target: 1

Epoch 2:
  Input: [0, 0], Output: 1, Target: 0
  Input: [0, 1], Output: 0, Target: 1
  Input: [1, 0], Output: 0, Target: 1
  Input: [1, 1], Output: 0, Target: 1

Epoch 3:
  Input: [0, 0], Output: 0, Target: 0
  Input: [0, 1], Output: 0, Target: 1
  Input: [1, 0], Output: 1, Target: 1
  Input: [1, 1], Output: 0, Target: 1
Nicht funktionierende Startgewichte: [0.00759954 0.86659181]

Das Netzwerk hat Wahrheitstabelle 8 korrekt nach 132 Iterationen gelernt.
Die Working Startgewichte waren: [0.46491305 0.49437297]
Die finalen Gewichte sind: [0.21133729 0.05102032]
Der finale Bias ist: 0.7759904545140672

Final Test Output:
Input: [0, 0], Target: 0, Output: 0
Input: [0, 1], Target: 1, Output: 1
Input: [1, 0], Target: 1, Output: 1
Input: [1, 1], Target: 1, Output: 1

=== Wahrheitstabelle 9: Targets = (1, 0, 0, 0) ===

Epoch 1:
  Input: [0, 0], Output: 0, Target: 1
  Input: [0, 1], Output: 1, Target: 0
  Input: [1, 0], Output: 1, Target: 0
  Input: [1, 1], Output: 1, Target: 0

Epoch 2:
  Input: [0, 0], Output: 1, Target: 1
  Input: [0, 1], Output: 0, Target: 0
  Input: [1, 0], Output: 1, Target: 0
  Input: [1, 1], Output: 0, Target: 0

Epoch 3:
  Input: [0, 0], Output: 0, Target: 1
  Input: [0, 1], Output: 0, Target: 0
  Input: [1, 0], Output: 0, Target: 0
  Input: [1, 1], Output: 1, Target: 0

Das Netzwerk hat Wahrheitstabelle 9 korrekt nach 4 Iterationen gelernt.
Die Working Startgewichte waren: [0.3085187  0.13315906]
Die finalen Gewichte sind: [0.53302668 0.42112005]
Der finale Bias ist: 0.826808705943355

Final Test Output:
Input: [0, 0], Target: 1, Output: 1
Input: [0, 1], Target: 0, Output: 0
Input: [1, 0], Target: 0, Output: 0
Input: [1, 1], Target: 0, Output: 0

=== Wahrheitstabelle 10: Targets = (1, 0, 0, 1) ===

Epoch 1:
  Input: [0, 0], Output: 1, Target: 1
  Input: [0, 1], Output: 0, Target: 0
  Input: [1, 0], Output: 0, Target: 0
  Input: [1, 1], Output: 0, Target: 1

Epoch 2:
  Input: [0, 0], Output: 0, Target: 1
  Input: [0, 1], Output: 1, Target: 0
  Input: [1, 0], Output: 1, Target: 0
  Input: [1, 1], Output: 0, Target: 1

Epoch 3:
  Input: [0, 0], Output: 1, Target: 1
  Input: [0, 1], Output: 0, Target: 0
  Input: [1, 0], Output: 1, Target: 0
  Input: [1, 1], Output: 0, Target: 1
Nicht funktionierende Startgewichte: [1.04413304 0.8510247 ]
Nicht funktionierende Startgewichte: [0.72648777 0.34934315]
Nicht funktionierende Startgewichte: [0.26261339 0.21097693]
Nicht funktionierende Startgewichte: [0.49587147 0.58415056]
Nicht funktionierende Startgewichte: [0.97219422 0.34791175]
Nicht funktionierende Startgewichte: [0.59621419 0.2460932 ]
Nicht funktionierende Startgewichte: [0.25087174 0.01757132]
Nicht funktionierende Startgewichte: [0.41504977 0.78380925]
Nicht funktionierende Startgewichte: [0.6964752  0.42385502]
Nicht funktionierende Startgewichte: [0.54031728 0.63066143]

Das Netzwerk hat Wahrheitstabelle 10 nach 1000 Iterationen nicht korrekt gelernt.

=== Wahrheitstabelle 11: Targets = (1, 0, 1, 0) ===

Epoch 1:
  Input: [0, 0], Output: 0, Target: 1
  Input: [0, 1], Output: 1, Target: 0
  Input: [1, 0], Output: 0, Target: 1
  Input: [1, 1], Output: 0, Target: 0

Epoch 2:
  Input: [0, 0], Output: 0, Target: 1
  Input: [0, 1], Output: 1, Target: 0
  Input: [1, 0], Output: 0, Target: 1
  Input: [1, 1], Output: 0, Target: 0

Epoch 3:
  Input: [0, 0], Output: 0, Target: 1
  Input: [0, 1], Output: 0, Target: 0
  Input: [1, 0], Output: 1, Target: 1
  Input: [1, 1], Output: 0, Target: 0

Das Netzwerk hat Wahrheitstabelle 11 korrekt nach 19 Iterationen gelernt.
Die Working Startgewichte waren: [0.60660851 0.05700594]
Die finalen Gewichte sind: [0.11823242 0.93160365]
Der finale Bias ist: 0.9210632048035048

Final Test Output:
Input: [0, 0], Target: 1, Output: 1
Input: [0, 1], Target: 0, Output: 0
Input: [1, 0], Target: 1, Output: 1
Input: [1, 1], Target: 0, Output: 0

=== Wahrheitstabelle 12: Targets = (1, 0, 1, 1) ===

Epoch 1:
  Input: [0, 0], Output: 0, Target: 1
  Input: [0, 1], Output: 0, Target: 0
  Input: [1, 0], Output: 1, Target: 1
  Input: [1, 1], Output: 0, Target: 1

Epoch 2:
  Input: [0, 0], Output: 0, Target: 1
  Input: [0, 1], Output: 1, Target: 0
  Input: [1, 0], Output: 0, Target: 1
  Input: [1, 1], Output: 1, Target: 1

Epoch 3:
  Input: [0, 0], Output: 0, Target: 1
  Input: [0, 1], Output: 0, Target: 0
  Input: [1, 0], Output: 1, Target: 1
  Input: [1, 1], Output: 0, Target: 1
Nicht funktionierende Startgewichte: [0.61117478 0.92520137]
Nicht funktionierende Startgewichte: [0.91608556 0.91823071]
Nicht funktionierende Startgewichte: [0.69324556 0.64174343]
Nicht funktionierende Startgewichte: [0.73286709 0.90657261]
Nicht funktionierende Startgewichte: [0.32633631 0.40644066]
Nicht funktionierende Startgewichte: [0.25098533 0.93398525]
Nicht funktionierende Startgewichte: [0.48979883 0.26392375]
Nicht funktionierende Startgewichte: [0.82895958 0.21991268]
Nicht funktionierende Startgewichte: [0.49168843 0.59482049]
Nicht funktionierende Startgewichte: [0.82405288 0.00254146]

Das Netzwerk hat Wahrheitstabelle 12 nach 1000 Iterationen nicht korrekt gelernt.

=== Wahrheitstabelle 13: Targets = (1, 1, 0, 0) ===

Epoch 1:
  Input: [0, 0], Output: 1, Target: 1
  Input: [0, 1], Output: 0, Target: 1
  Input: [1, 0], Output: 0, Target: 0
  Input: [1, 1], Output: 0, Target: 0

Epoch 2:
  Input: [0, 0], Output: 0, Target: 1
  Input: [0, 1], Output: 0, Target: 1
  Input: [1, 0], Output: 1, Target: 0
  Input: [1, 1], Output: 1, Target: 0

Epoch 3:
  Input: [0, 0], Output: 0, Target: 1
  Input: [0, 1], Output: 0, Target: 1
  Input: [1, 0], Output: 0, Target: 0
  Input: [1, 1], Output: 0, Target: 0

Das Netzwerk hat Wahrheitstabelle 13 korrekt nach 18 Iterationen gelernt.
Die Working Startgewichte waren: [0.51919323 0.84360118]
Die finalen Gewichte sind: [0.61187384 0.278432  ]
Der finale Bias ist: 0.8467440095787175

Final Test Output:
Input: [0, 0], Target: 1, Output: 1
Input: [0, 1], Target: 1, Output: 1
Input: [1, 0], Target: 0, Output: 0
Input: [1, 1], Target: 0, Output: 0

=== Wahrheitstabelle 14: Targets = (1, 1, 0, 1) ===

Epoch 1:
  Input: [0, 0], Output: 0, Target: 1
  Input: [0, 1], Output: 0, Target: 1
  Input: [1, 0], Output: 1, Target: 0
  Input: [1, 1], Output: 0, Target: 1

Epoch 2:
  Input: [0, 0], Output: 0, Target: 1
  Input: [0, 1], Output: 1, Target: 1
  Input: [1, 0], Output: 0, Target: 0
  Input: [1, 1], Output: 0, Target: 1

Epoch 3:
  Input: [0, 0], Output: 1, Target: 1
  Input: [0, 1], Output: 1, Target: 1
  Input: [1, 0], Output: 1, Target: 0
  Input: [1, 1], Output: 1, Target: 1
Nicht funktionierende Startgewichte: [0.78123507 0.56935223]
Nicht funktionierende Startgewichte: [0.16405041 0.80984145]
Nicht funktionierende Startgewichte: [0.58150184 0.76647046]
Nicht funktionierende Startgewichte: [0.10653271 0.38529067]
Nicht funktionierende Startgewichte: [0.47380421 0.06637962]
Nicht funktionierende Startgewichte: [0.83766264 0.19205765]
Nicht funktionierende Startgewichte: [0.76036182 0.34076203]
Nicht funktionierende Startgewichte: [0.66834706 0.63658707]
Nicht funktionierende Startgewichte: [0.02095098 0.76566191]
Nicht funktionierende Startgewichte: [0.51205896 0.04209681]

Das Netzwerk hat Wahrheitstabelle 14 nach 1000 Iterationen nicht korrekt gelernt.

=== Wahrheitstabelle 15: Targets = (1, 1, 1, 0) ===

Epoch 1:
  Input: [0, 0], Output: 0, Target: 1
  Input: [0, 1], Output: 1, Target: 1
  Input: [1, 0], Output: 0, Target: 1
  Input: [1, 1], Output: 0, Target: 0

Epoch 2:
  Input: [0, 0], Output: 0, Target: 1
  Input: [0, 1], Output: 0, Target: 1
  Input: [1, 0], Output: 0, Target: 1
  Input: [1, 1], Output: 0, Target: 0

Epoch 3:
  Input: [0, 0], Output: 0, Target: 1
  Input: [0, 1], Output: 0, Target: 1
  Input: [1, 0], Output: 1, Target: 1
  Input: [1, 1], Output: 0, Target: 0
Nicht funktionierende Startgewichte: [0.33589865 0.53804178]
Nicht funktionierende Startgewichte: [0.88897427 0.85694149]
Nicht funktionierende Startgewichte: [0.37437958 0.33208309]

Das Netzwerk hat Wahrheitstabelle 15 korrekt nach 309 Iterationen gelernt.
Die Working Startgewichte waren: [0.29984528 0.96990677]
Die finalen Gewichte sind: [0.21014685 0.21158224]
Der finale Bias ist: 0.9221495929676305

Final Test Output:
Input: [0, 0], Target: 1, Output: 1
Input: [0, 1], Target: 1, Output: 1
Input: [1, 0], Target: 1, Output: 1
Input: [1, 1], Target: 0, Output: 0

=== Wahrheitstabelle 16: Targets = (1, 1, 1, 1) ===

Epoch 1:
  Input: [0, 0], Output: 0, Target: 1
  Input: [0, 1], Output: 1, Target: 1
  Input: [1, 0], Output: 0, Target: 1
  Input: [1, 1], Output: 0, Target: 1

Epoch 2:
  Input: [0, 0], Output: 0, Target: 1
  Input: [0, 1], Output: 0, Target: 1
  Input: [1, 0], Output: 1, Target: 1
  Input: [1, 1], Output: 0, Target: 1

Epoch 3:
  Input: [0, 0], Output: 0, Target: 1
  Input: [0, 1], Output: 1, Target: 1
  Input: [1, 0], Output: 0, Target: 1
  Input: [1, 1], Output: 0, Target: 1

Das Netzwerk hat Wahrheitstabelle 16 korrekt nach 45 Iterationen gelernt.
Die Working Startgewichte waren: [0.26055427 0.80528883]
Die finalen Gewichte sind: [0.10677096 0.07029004]
Der finale Bias ist: 0.9503828839592108

Final Test Output:
Input: [0, 0], Target: 1, Output: 1
Input: [0, 1], Target: 1, Output: 1
Input: [1, 0], Target: 1, Output: 1
Input: [1, 1], Target: 1, Output: 1

https://ideone.com/f2T6aA

language:

Python 3 (python 3.9.5)

created:

visibility:

public

Share or Embed source code

Discover > Sphere Engine API

The brand new service which powers Ideone!

Discover > IDE Widget

Widget for compiling and running the source code in a web browser!

Discover > Sphere Engine API

Discover > IDE Widget

Choose your language