fork download
copy 
  1. import numpy as np
  2.  
  3. # Initialisierung der Schwellenwerte
  4. lower_threshold = 0.8
  5. upper_threshold = 1.2
  6.  
  7. # Lernrate
  8. learning_rate = 0.1
  9.  
  10. # Trainingsdaten (XOR-Problem)
  11. inputs = [[0, 0], [0, 1], [1, 0], [1, 1]]
  12. targets = [0, 1, 1, 0]
  13.  
  14. # Trainingsloop mit max. 1000 Iterationen
  15. max_iterations = 1000
  16. epoch = 0
  17. network_trained = False
  18. start_weights = None
  19. final_weights = None
  20. bias = np.random.rand()  # Zufälliger Start-Bias
  21.  
  22. while epoch < max_iterations:
  23.     epoch += 1
  24.     all_correct = True  # Flag, um zu überprüfen, ob alle Ausgaben korrekt sind
  25.     current_weights = np.random.rand(2)  # Zufällige Startgewichte
  26.  
  27.     if epoch == 1:  # Die erste Iteration nach Initialisierung
  28.         start_weights = current_weights  # Speichere die Startgewichte
  29.  
  30.     for input_vector, target in zip(inputs, targets):
  31.         # Berechnung der gewichteten Summe + Bias
  32.         weighted_sum = np.dot(input_vector, current_weights) + bias
  33.  
  34.         # Aktivierungsfunktion (Schwellenwert)
  35.         if lower_threshold < weighted_sum < upper_threshold:
  36.             output = 1
  37.         else:
  38.             output = 0
  39.  
  40.         # Fehlerberechnung
  41.         error = target - output
  42.  
  43.         # Wenn Fehler vorliegt, Gewichte und Bias anpassen
  44.         if error != 0:
  45.             all_correct = False
  46.             current_weights += learning_rate * error * np.array(input_vector)
  47.             bias += learning_rate * error  # Bias anpassen
  48.  
  49.     # Überprüfe, ob alle Ausgaben korrekt sind
  50.     if all_correct:
  51.         network_trained = True
  52.         final_weights = current_weights  # Speichere die finalen Gewichte
  53.         break  # Stoppe, wenn alle Ausgaben korrekt sind
  54.  
  55.     # Wenn XOR nach 100 Iterationen nicht gelernt wurde, setze neue zufällige Startgewichte
  56.     if epoch % 100 == 0:  # 100 statt 20
  57.         print(f"Nicht funktionierende Startgewichte: {start_weights}")
  58.         start_weights = np.random.rand(2)  # Setze neue Startgewichte
  59.  
  60. if network_trained:
  61.     print(f"Das Netzwerk hat XOR korrekt nach {epoch} Iterationen gelernt.")
  62.     print(f"Die Working Startgewichte waren: {start_weights}")
  63.     print(f"Die finalen Gewichte sind: {final_weights}")
  64.     print(f"Der Bias ist: {bias}")
  65. else:
  66.     print(f"Das Netzwerk hat XOR nach {epoch} Iterationen nicht korrekt gelernt.")
  67.  
  68. # Testen des Netzwerks nach den Lern-Iterationen
  69. print("\nFinal Test Output:")
  70. for input_vector, target in zip(inputs, targets):
  71.     weighted_sum = np.dot(input_vector, final_weights) + bias
  72.     if lower_threshold < weighted_sum < upper_threshold:
  73.         output = 1
  74.     else:
  75.         output = 0
  76.     print(f"Input: {input_vector}, Target: {target}, Output: {output}")
  77.  
Success #stdin #stdout 0.14s 28852KB
comments (?)
stdin
copy 
Standard input is empty
stdout
copy 
Das Netzwerk hat XOR korrekt nach 2 Iterationen gelernt.
Die Working Startgewichte waren: [0.19773093 0.22916919]
Die finalen Gewichte sind: [0.57758066 0.56518903]
Der Bias ist: 0.44756470656278113

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
https://ideone.com/tBvFIP
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!