# Función AND
# Entradas
p1 = "0 0 1 1"
q1 = "0 1 0 1"
p = np.matrix(p1 + ";" + q1)
# Objetivos
t1 = "0 0 0 1"
t = np.matrix(t1)
print("\n" + generar_banner("Vectores(p) y objetivos(t)") + "\n")
for i in range(p.shape[1]):
print(" ", p[:,i].tolist(), "=>", t[:,i])
# Perceptron
perceptron = Perceptron(p, t)
# Entrenar
print("\n" + generar_banner("Entrenamiento del perceptrón") + "\n")
perceptron.entrenar(lr=0.2, debug=True)
# Clasificar vectores mediante perceptron entrenado
print("\n" + generar_banner("Clasificar con perceptrón") + "\n")
for i in range(p.shape[1]):
y = perceptron.simular(p[:,i])
print(" ", p[:,i].tolist(), "=>", y)
print()
# Representar gráficamente
perceptron.representar()
p1 = "0 0 1 1"
q1 = "0 1 0 1"
p = np.matrix(p1 + ";" + q1)
# Objetivos
t1 = "0 1 1 0"
t = np.matrix(t1)
print("\n" + generar_banner("Vectores(p) y objetivos(t)") + "\n")
for i in range(p.shape[1]):
print(" ", p[:, i].tolist(), "=>", t[:, i])
# Perceptron
perceptron = Perceptron(p, t)
# Entrenar (1000 épocas)
debug = False
if debug:
print("\n" + generar_banner("Entrenamiento del perceptrón") + "\n")
perceptron.entrenar(lr=0.2, debug=debug)
# Clasificar vectores mediante perceptron entrenado
print("\n" + generar_banner("Clasificar con perceptrón") + "\n")
for i in range(p.shape[1]):
y = perceptron.simular(p[:, i])
print(" ", p[:, i].tolist(), "=>", y)
print()
# Representar gráficamente
perceptron.representar()
class App:
def __init__(self, n=100, w=500, h=500):
self.n = n
self.w = w
self.h = h
self.puntos = []
self.perceptron = Perceptron(2, 1)
master = Tk()
self.l = Canvas(master, width=self.w, height=self.h)
self.entrenando = 0
self.indice_equivocados = 0
def click(self, event):
"""
Metodo que se llama como callback al ocurrir un evento de
click en el canvas, este realiza una ronda de entrenamiento
con uno de los puntos.
"""
entrenamiento_actual = self.puntos[self.entrenando]
entradas = [entrenamiento_actual.x, entrenamiento_actual.y]
objetivo = entrenamiento_actual.val
self.perceptron.entrenar(entradas, objetivo)
entrenamiento_actual.mostrar()
self.check(entrenamiento_actual)
self.entrenando += 1
if self.entrenando == len(self.puntos):
if self.indice_equivocados > 0:
self.entrenando = 0
self.indice_equivocados = 0
print(
"Se llego al final de la primer vuelta, se vuelve a iniciar porque se hicieron ajustes."
)
else:
print(
"Se llego al final de la vuelta sin ningun error, se termina el programa, los pesos son los siguientes"
)
print(self.perceptron)
sys.exit(0)
def circulo(self, l, cx, cy, r, color="white"):
"""
Metodo que dibuja un circulo con centro en cx y cy y radio r
"""
l.create_oval(cx - r, cy - r, cx + r, cy + r, fill=color)
def check(self, pt):
"""
Permite visualizar que datos fueron estimados correctamente por el perceptron.
colorea un circulo interno en los circulos ya existentes, este sera verde si la estimacion
es correcta, y rojo si la estimacion es incorrecta.
"""
entradas = [pt.x, pt.y]
objetivo = pt.val
estimacion = self.perceptron.estimar(entradas)
if estimacion == objetivo:
self.circulo(self.l, pt.x, pt.y, 5, "green")
else:
self.circulo(self.l, pt.x, pt.y, 5, "red")
self.indice_equivocados += 1
def main(self):
self.l.configure(background='white')
self.l.bind("<Button-1>", self.click)
self.l.pack()
for i in range(self.n):
pt = Punto(self.l, self.w, self.h)
self.puntos.append(pt)
pt.mostrar()
self.check(pt)
mainloop()
