def main():
n_in_units = 2
n_out_units = 1
n_hidden1_units = 2
n_hidden2_units = 2
n_epochs = 500
# 分類器の構築。buildNetwork()を使うと、入力層はLinearLayerになる。
net = buildNetwork(
n_in_units, n_hidden1_units, n_hidden2_units, n_out_units,
hiddenclass=TanhLayer, outclass=SigmoidLayer,
bias=True
)
net.randomize()
print(">>> print net")
print(net)
# 入出力データ。
ds = SupervisedDataSet(n_in_units, n_out_units)
for _ in range(100):
ds.appendLinked([0, 0], [0])
ds.appendLinked([0, 1], [1])
ds.appendLinked([1, 0], [1])
ds.appendLinked([1, 1], [0])
# 学習曲線のインタラクティブ描画準備。
pl.figure()
pl.ion()
pl.hold(True)
pl.show()
# N_EPOCHSタイムステップ分の勾配降下。学習曲線も描画しつつ。
trainer = BackpropTrainer(net, ds)
for i in range(n_epochs):
train_err = trainer.train()
pl.plot(i, train_err, 'o')
# pl.draw() # 描画自体の負荷がかなり重いので、コメントアウトすると速くなる。
print("Iteration %04d : train_err=%f" % (i, train_err))
# テストセットで学習結果を確認。
print([0, 0], net.activate([0, 0]))
print([0, 1], net.activate([0, 1]))
print([1, 0], net.activate([1, 0]))
print([1, 1], net.activate([1, 1]))
# 学習曲線を出したままプログラムを止める。
pl.ioff()
pl.show()
def main():
n_epochs = 50
# 試したいニューラルネットをコメントイン。
# net = net1()
# net = net2()
# net = net3()
net = net4()
print(">>> print net")
print(net)
# 入出力データ。
ds = SupervisedDataSet(N_IN_UNITS, N_OUT_UNITS)
for _ in range(100):
ds.appendLinked([0, 0], [0])
ds.appendLinked([0, 1], [1])
ds.appendLinked([1, 0], [1])
ds.appendLinked([1, 1], [0])
# 学習曲線のインタラクティブ描画準備。
pl.figure()
pl.ion()
pl.hold(True)
pl.show()
# N_EPOCHSタイムステップ分の勾配降下。学習曲線も描画しつつ。
trainer = BackpropTrainer(net, ds)
with Benchmarker() as bench:
@bench("net\n")
def _(_):
for i in range(n_epochs):
train_err = trainer.train()
pl.plot(i, train_err, 'o')
pl.draw()
print("Iteration %04d : train_err=%f" % (i, train_err))
# テストセットで学習結果を確認。
print([0, 0], net.activate([0, 0]))
print([0, 1], net.activate([0, 1]))
print([1, 0], net.activate([1, 0]))
print([1, 1], net.activate([1, 1]))
# 学習曲線を出したままプログラムを止める。
pl.ioff()
pl.show()