fork(1) download
copy 
  1. import numpy as np
  2. from itertools import product  # To generate all binary combinations
  3.  
  4. # Initialisierung der Schwellenwerte
  5. lower_threshold = 0.8
  6. upper_threshold = 1.2
  7.  
  8. # Lernrate
  9. learning_rate = 0.1
  10.  
  11. # Trainingsdaten (Inputs für das XOR-Problem und andere)
  12. inputs = [[0, 0], [0, 1], [1, 0], [1, 1]]
  13.  
  14. # Alle möglichen Zieltabellen (16 Kombinationen)
  15. all_possible_targets = list(product([0, 1], repeat=4))
  16.  
  17. # Trainingsloop für jede mögliche Zieltabelle
  18. for table_index, targets in enumerate(all_possible_targets, start=1):
  19.     print(f"\n=== Wahrheitstabelle {table_index}: Targets = {targets} ===")
  20.  
  21.     # Initialisieren der Startwerte
  22.     max_iterations = 2000  # Maximal 2000 Iterationen für jedes Bias
  23.     epoch = 0
  24.     network_trained = False
  25.     start_weights = None
  26.     final_weights = None
  27.     bias_list = [0.0, 0.7, 0.9]  # Bias nur mit den Werten 0.0, 0.7, 0.9
  28.     reset_count = 0  # Counter to track the number of weight resets
  29.  
  30.     # Iterate over bias values 0.0, 0.7, and 0.9
  31.     for bias in bias_list:
  32.         print(f"Versuch mit Bias {bias}:")
  33.  
  34.         epoch = 0
  35.         network_trained = False  # Netzwerk muss erneut trainiert werden
  36.         start_weights = np.random.uniform(-2, 2, 2)  # Zufällige Startgewichte für die Trainingsrunde (von -2 bis 2)
  37.  
  38.         while epoch < max_iterations:
  39.             epoch += 1
  40.             all_correct = True
  41.             current_weights = np.random.uniform(-2, 2, 2)  # Zufällige Startgewichte im Bereich [-2, 2]
  42.  
  43.             for input_vector, target in zip(inputs, targets):
  44.                 # Berechnung der gewichteten Summe inkl. Bias
  45.                 weighted_sum = np.dot(input_vector, current_weights) + bias
  46.  
  47.                 # Aktivierungsfunktion (Schwellenwertfunktion mit zwei Schwellenwerten)
  48.                 output = 1 if lower_threshold < weighted_sum < upper_threshold else 0
  49.  
  50.                 # Fehlerberechnung
  51.                 error = target - output
  52.  
  53.                 # Wenn ein Fehler vorliegt, dann weise die Gewichte an
  54.                 if error != 0:
  55.                     all_correct = False
  56.                     current_weights += learning_rate * error * np.array(input_vector)
  57.  
  58.             # Überprüfe, ob alle Ausgaben korrekt sind
  59.             if all_correct:
  60.                 network_trained = True
  61.                 final_weights = current_weights  # Speichere die finalen Gewichte
  62.                 break  # Stoppe, wenn alle Ausgaben korrekt sind
  63.  
  64.         if network_trained:
  65.             print(f"Das Netzwerk hat Wahrheitstabelle {table_index} erfolgreich nach {epoch} Iterationen gelernt.")
  66.             print(f"Startgewichte: {start_weights}")
  67.             print(f"Endgewichte: {final_weights}")
  68.             print(f"Endgültiger Bias: {bias}")
  69.             break  # Wenn es mit diesem Bias erfolgreich war, gehe zum nächsten Wahrheitstabelle
  70.         else:
  71.             print(f"Das Netzwerk konnte mit Bias {bias} die Wahrheitstabelle {table_index} nicht lernen.")
  72.             print("Versuche es mit dem nächsten Bias.")
  73.  
  74.     if not network_trained:
  75.         print(f"Das Netzwerk hat Wahrheitstabelle {table_index} auch nach dem Testen aller Bias-Werte nicht korrekt gelernt.")
  76.         print("Kein Erfolg mit diesem Ziel.")
  77.  
Success #stdin #stdout 2.69s 29044KB
comments (?)
stdin
copy 
Standard input is empty
stdout
copy 
=== Wahrheitstabelle 1: Targets = (0, 0, 0, 0) ===
Versuch mit Bias 0.0:
Das Netzwerk hat Wahrheitstabelle 1 erfolgreich nach 2 Iterationen gelernt.
Startgewichte: [-0.14969449  0.46934102]
Endgewichte: [-1.54706948  0.56689597]
Endgültiger Bias: 0.0

=== Wahrheitstabelle 2: Targets = (0, 0, 0, 1) ===
Versuch mit Bias 0.0:
Das Netzwerk hat Wahrheitstabelle 2 erfolgreich nach 1 Iterationen gelernt.
Startgewichte: [ 1.90559618 -1.55185872]
Endgewichte: [0.54764813 0.65145647]
Endgültiger Bias: 0.0

=== Wahrheitstabelle 3: Targets = (0, 0, 1, 0) ===
Versuch mit Bias 0.0:
Das Netzwerk hat Wahrheitstabelle 3 erfolgreich nach 14 Iterationen gelernt.
Startgewichte: [-1.72680046 -0.69157601]
Endgewichte: [ 1.0754828  -0.38013584]
Endgültiger Bias: 0.0

=== Wahrheitstabelle 4: Targets = (0, 0, 1, 1) ===
Versuch mit Bias 0.0:
Das Netzwerk hat Wahrheitstabelle 4 erfolgreich nach 281 Iterationen gelernt.
Startgewichte: [-0.70637253 -0.76797739]
Endgewichte: [1.09861438 0.05707696]
Endgültiger Bias: 0.0

=== Wahrheitstabelle 5: Targets = (0, 1, 0, 0) ===
Versuch mit Bias 0.0:
Das Netzwerk hat Wahrheitstabelle 5 erfolgreich nach 7 Iterationen gelernt.
Startgewichte: [-1.48113544  1.1983279 ]
Endgewichte: [-1.55633687  0.89850457]
Endgültiger Bias: 0.0

=== Wahrheitstabelle 6: Targets = (0, 1, 0, 1) ===
Versuch mit Bias 0.0:
Das Netzwerk hat Wahrheitstabelle 6 erfolgreich nach 3 Iterationen gelernt.
Startgewichte: [-1.3695637   1.94940927]
Endgewichte: [-0.03447915  0.99588577]
Endgültiger Bias: 0.0

=== Wahrheitstabelle 7: Targets = (0, 1, 1, 0) ===
Versuch mit Bias 0.0:
Das Netzwerk hat Wahrheitstabelle 7 erfolgreich nach 60 Iterationen gelernt.
Startgewichte: [-1.60718396  0.25308469]
Endgewichte: [1.08242129 0.92822296]
Endgültiger Bias: 0.0

=== Wahrheitstabelle 8: Targets = (0, 1, 1, 1) ===
Versuch mit Bias 0.0:
Das Netzwerk konnte mit Bias 0.0 die Wahrheitstabelle 8 nicht lernen.
Versuche es mit dem nächsten Bias.
Versuch mit Bias 0.7:
Das Netzwerk hat Wahrheitstabelle 8 erfolgreich nach 347 Iterationen gelernt.
Startgewichte: [-1.81030877  1.17892261]
Endgewichte: [0.14808408 0.1254021 ]
Endgültiger Bias: 0.7

=== Wahrheitstabelle 9: Targets = (1, 0, 0, 0) ===
Versuch mit Bias 0.0:
Das Netzwerk konnte mit Bias 0.0 die Wahrheitstabelle 9 nicht lernen.
Versuche es mit dem nächsten Bias.
Versuch mit Bias 0.7:
Das Netzwerk konnte mit Bias 0.7 die Wahrheitstabelle 9 nicht lernen.
Versuche es mit dem nächsten Bias.
Versuch mit Bias 0.9:
Das Netzwerk hat Wahrheitstabelle 9 erfolgreich nach 2 Iterationen gelernt.
Startgewichte: [ 1.99750158 -0.10975436]
Endgewichte: [-1.18019177 -0.19078354]
Endgültiger Bias: 0.9

=== Wahrheitstabelle 10: Targets = (1, 0, 0, 1) ===
Versuch mit Bias 0.0:
Das Netzwerk konnte mit Bias 0.0 die Wahrheitstabelle 10 nicht lernen.
Versuche es mit dem nächsten Bias.
Versuch mit Bias 0.7:
Das Netzwerk konnte mit Bias 0.7 die Wahrheitstabelle 10 nicht lernen.
Versuche es mit dem nächsten Bias.
Versuch mit Bias 0.9:
Das Netzwerk hat Wahrheitstabelle 10 erfolgreich nach 1 Iterationen gelernt.
Startgewichte: [0.86832484 0.76277058]
Endgewichte: [ 1.55771689 -1.46069501]
Endgültiger Bias: 0.9

=== Wahrheitstabelle 11: Targets = (1, 0, 1, 0) ===
Versuch mit Bias 0.0:
Das Netzwerk konnte mit Bias 0.0 die Wahrheitstabelle 11 nicht lernen.
Versuche es mit dem nächsten Bias.
Versuch mit Bias 0.7:
Das Netzwerk konnte mit Bias 0.7 die Wahrheitstabelle 11 nicht lernen.
Versuche es mit dem nächsten Bias.
Versuch mit Bias 0.9:
Das Netzwerk hat Wahrheitstabelle 11 erfolgreich nach 4 Iterationen gelernt.
Startgewichte: [ 0.90980708 -1.01883612]
Endgewichte: [ 0.26040492 -1.62479607]
Endgültiger Bias: 0.9

=== Wahrheitstabelle 12: Targets = (1, 0, 1, 1) ===
Versuch mit Bias 0.0:
Das Netzwerk konnte mit Bias 0.0 die Wahrheitstabelle 12 nicht lernen.
Versuche es mit dem nächsten Bias.
Versuch mit Bias 0.7:
Das Netzwerk konnte mit Bias 0.7 die Wahrheitstabelle 12 nicht lernen.
Versuche es mit dem nächsten Bias.
Versuch mit Bias 0.9:
Das Netzwerk hat Wahrheitstabelle 12 erfolgreich nach 534 Iterationen gelernt.
Startgewichte: [-0.29225962  1.30298188]
Endgewichte: [ 0.02867855 -0.10135105]
Endgültiger Bias: 0.9

=== Wahrheitstabelle 13: Targets = (1, 1, 0, 0) ===
Versuch mit Bias 0.0:
Das Netzwerk konnte mit Bias 0.0 die Wahrheitstabelle 13 nicht lernen.
Versuche es mit dem nächsten Bias.
Versuch mit Bias 0.7:
Das Netzwerk konnte mit Bias 0.7 die Wahrheitstabelle 13 nicht lernen.
Versuche es mit dem nächsten Bias.
Versuch mit Bias 0.9:
Das Netzwerk hat Wahrheitstabelle 13 erfolgreich nach 15 Iterationen gelernt.
Startgewichte: [-0.94921748 -0.96331663]
Endgewichte: [0.84101708 0.2916382 ]
Endgültiger Bias: 0.9

=== Wahrheitstabelle 14: Targets = (1, 1, 0, 1) ===
Versuch mit Bias 0.0:
Das Netzwerk konnte mit Bias 0.0 die Wahrheitstabelle 14 nicht lernen.
Versuche es mit dem nächsten Bias.
Versuch mit Bias 0.7:
Das Netzwerk konnte mit Bias 0.7 die Wahrheitstabelle 14 nicht lernen.
Versuche es mit dem nächsten Bias.
Versuch mit Bias 0.9:
Das Netzwerk hat Wahrheitstabelle 14 erfolgreich nach 61 Iterationen gelernt.
Startgewichte: [-0.89905753  1.63868898]
Endgewichte: [-0.11221548  0.08068336]
Endgültiger Bias: 0.9

=== Wahrheitstabelle 15: Targets = (1, 1, 1, 0) ===
Versuch mit Bias 0.0:
Das Netzwerk konnte mit Bias 0.0 die Wahrheitstabelle 15 nicht lernen.
Versuche es mit dem nächsten Bias.
Versuch mit Bias 0.7:
Das Netzwerk konnte mit Bias 0.7 die Wahrheitstabelle 15 nicht lernen.
Versuche es mit dem nächsten Bias.
Versuch mit Bias 0.9:
Das Netzwerk hat Wahrheitstabelle 15 erfolgreich nach 60 Iterationen gelernt.
Startgewichte: [-1.71474804 -1.90709836]
Endgewichte: [0.24115937 0.07062702]
Endgültiger Bias: 0.9

=== Wahrheitstabelle 16: Targets = (1, 1, 1, 1) ===
Versuch mit Bias 0.0:
Das Netzwerk konnte mit Bias 0.0 die Wahrheitstabelle 16 nicht lernen.
Versuche es mit dem nächsten Bias.
Versuch mit Bias 0.7:
Das Netzwerk konnte mit Bias 0.7 die Wahrheitstabelle 16 nicht lernen.
Versuche es mit dem nächsten Bias.
Versuch mit Bias 0.9:
Das Netzwerk hat Wahrheitstabelle 16 erfolgreich nach 99 Iterationen gelernt.
Startgewichte: [ 0.48290147 -1.2162141 ]
Endgewichte: [ 0.16291639 -0.00288294]
Endgültiger Bias: 0.9
https://ideone.com/hxYT8A
language:
Python 3 (python  3.9.5)
created:
2 days ago
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!