class RedXOR(object):
"""
Clase RedXOR para modelar una red neuronal capaz de calcular la operación
lógica XOR. Recordemos que XOR se calcula como:
v1 XOR v2 = (v1 OR v2) AND (v1 NAND v2)
Por lo que se necesitan 3 perceptrones, uno para calcular el OR, otro para
calcular el NAND (éstos dos corresponden a la capa oculta) y otro para AND
(capa de salida, pues es la última operación a realizar).
"""
def __init__(self):
"""
Crea una red neuronal para calcular XOR.
Los perceptrones se crean con una tasa de aprendizaje de 0.3, umbral
de error 0 y función de activación Paso unitario. Los tres perceptrones
se entrenan completamente para su operación lógica dada.
"""
self.f = lambda x: 0 if x < 0 else 1
self.tabla = list(map(list, product(*([[0, 1]] * 2))))
self.__inputs = 2
# h1 se entrena para calcular OR.
self.h1 = Perceptron(2, self.f, 0.3, 0)
print('Entrenamiento Perceptrón h1 (OR).\n')
self.h1.entrenamiento(self.tabla, [0, 1, 1, 1], 200)
# h2 se entrena para calcular NAND.
self.h2 = Perceptron(2, self.f, 0.3, 0)
print('\nEntrenamiento Perceptrón h2 (NAND).\n')
self.h2.entrenamiento(self.tabla, [1, 1, 1, 0], 200)
# o calcula la salida de la red. Calcula un AND
self.o = Perceptron(2, self.f, 0.3, 0)
print('\nEntrenamiento Perceptrón o (AND).\n')
self.o.entrenamiento(self.tabla, [0, 0, 0, 1], 200)
self.__salidas = [0, 0, 0]
print('\n')
def salida(self, entradas):
"""
Calcula la salida de la red sobre el conjunto de entradas dado.
:param entradas: Las entradas de la red.
"""
if len(entradas) != self.__inputs:
raise Exception('Número de entradas incorrecto.')
self.__salidas[0] = self.h1.salida(entradas)
self.__salidas[1] = self.h2.salida(entradas)
self.__salidas[2] = self.o.salida(self.__salidas[0:2])
return self.__salidas[2]
# 5.
cjto_5 = [[1, 1, 0], [0, 1, 0], [1, 1, 1]]
salidas_5_and = list (map (and_list, cjto_5))
salidas_5_or = list (map (or_list, cjto_5))
# Perceptrones AND
# 1.
print ('***** Perceptron AND 1 *****')
p_and_1 = Perceptron (3, f, 0.01, 0)
print ('Tasa de aprendizaje:\t', p_and_1.alpha)
print ('Pesos:\t', [p_and_1.theta] + p_and_1.pesos)
print ('Conjunto de entrenamiento:\t', cjto_1, '\n')
print ('-----Proceso de entrenamiento\n')
p_and_1.entrenamiento (cjto_1, salidas_1_and, 200)
print ('-----Pruebas\n')
for (ej, s) in zip (cjto_entradas, cjto_salidas_and):
out = p_and_1.salida (ej)
print ('Entrada:\t', ej, '\n\tSalida:\t', out, '\tSalida esperada:\t', s)
print ('\n')
# 2.
print ('***** Perceptron AND 2 *****')
p_and_2 = Perceptron (3, f, 0.1, 0)
print ('Tasa de aprendizaje:\t', p_and_2.alpha)
print ('Pesos:\t', [p_and_2.theta] + p_and_2.pesos)
print ('Conjunto de entrenamiento:\t', cjto_2, '\n')
print ('-----Proceso de entrenamiento\n')
p_and_2.entrenamiento (cjto_2, salidas_2_and, 200)
print ('-----Pruebas\n')
