日韩无码专区无码一级三级片|91人人爱网站中日韩无码电影|厨房大战丰满熟妇|AV高清无码在线免费观看|另类AV日韩少妇熟女|中文日本大黄一级黄色片|色情在线视频免费|亚洲成人特黄a片|黄片wwwav色图欧美|欧亚乱色一区二区三区

在這個例子中，我們來創(chuàng)建一個單層神經(jīng)網(wǎng)絡，它由獨立的神經(jīng)元組成，這些神經(jīng)元在輸入數(shù)據(jù)上起作用以產(chǎn)生輸出。 請注意，這里使用 neural_simple.txt 文件作為輸入。

創(chuàng)新互聯(lián)專注于網(wǎng)站建設，為客戶提供做網(wǎng)站、成都做網(wǎng)站、網(wǎng)頁設計開發(fā)服務，多年建網(wǎng)站服務經(jīng)驗，各類網(wǎng)站都可以開發(fā)，品牌網(wǎng)站制作，公司官網(wǎng)，公司展示網(wǎng)站，網(wǎng)站設計，建網(wǎng)站費用，建網(wǎng)站多少錢，價格優(yōu)惠，收費合理。

如下所示導入所需的軟件包 -

import numpy as np
import matplotlib.pyplot as plt
import neurolab as nl

加載數(shù)據(jù)集如下代碼 -

input_data = np.loadtxt(“/Users/admin/neural_simple.txt')

以下是我們要使用的數(shù)據(jù)。 請注意，在此數(shù)據(jù)中，前兩列是特征，最后兩列是標簽。

array([[2. , 4. , 0. , 0. ],
      [1.5, 3.9, 0. , 0. ],
      [2.2, 4.1, 0. , 0. ],
      [1.9, 4.7, 0. , 0. ],
      [5.4, 2.2, 0. , 1. ],
      [4.3, 7.1, 0. , 1. ],
      [5.8, 4.9, 0. , 1. ],
      [6.5, 3.2, 0. , 1. ],
      [3. , 2. , 1. , 0. ],
      [2.5, 0.5, 1. , 0. ],
      [3.5, 2.1, 1. , 0. ],
      [2.9, 0.3, 1. , 0. ],
      [6.5, 8.3, 1. , 1. ],
      [3.2, 6.2, 1. , 1. ],
      [4.9, 7.8, 1. , 1. ],
      [2.1, 4.8, 1. , 1. ]])

現(xiàn)在，將這四列分成2個數(shù)據(jù)列和2個標簽 -

data = input_data[:, 0:2]
labels = input_data[:, 2:]

使用以下命令繪制輸入數(shù)據(jù) -

plt.figure()
plt.scatter(data[:,0], data[:,1])
plt.xlabel('Dimension 1')
plt.ylabel('Dimension 2')
plt.title('Input data')

現(xiàn)在，為每個維度定義最小值和最大值，如下所示 -

dim1_min, dim1_max = data[:,0].min(), data[:,0].max()
dim2_min, dim2_max = data[:,1].min(), data[:,1].max()

接下來，如下定義輸出層中神經(jīng)元的數(shù)量 -

nn_output_layer = labels.shape[1]

現(xiàn)在，定義一個單層神經(jīng)網(wǎng)絡 -

dim1 = [dim1_min, dim1_max]
dim2 = [dim2_min, dim2_max]
neural_net = nl.net.newp([dim1, dim2], nn_output_layer)

訓練神經(jīng)網(wǎng)絡的時代數(shù)和學習率如下所示 -

error = neural_net.train(data, labels, epochs = 200, show = 20, lr = 0.01)

現(xiàn)在，使用以下命令可視化并繪制訓練進度 -

plt.figure()
plt.plot(error)
plt.xlabel('Number of epochs')
plt.ylabel('Training error')
plt.title('Training error progress')
plt.grid()
plt.show()

現(xiàn)在，使用上述分類器中的測試數(shù)據(jù)點 -

print('\nTest Results:')
data_test = [[1.5, 3.2], [3.6, 1.7], [3.6, 5.7],[1.6, 3.9]] for item in data_test:
   print(item, '-->', neural_net.sim([item])[0])

下面是測試結果 -

[1.5, 3.2] --> [1. 0.]
[3.6, 1.7] --> [1. 0.]
[3.6, 5.7] --> [1. 1.]
[1.6, 3.9] --> [1. 0.]

您可以看到迄今為止討論的代碼的輸出圖表 -

分享文章：創(chuàng)新互聯(lián)AI教程：AI人工智能單層神經(jīng)網(wǎng)絡
轉(zhuǎn)載注明：http://www.5511xx.com/article/dhcopds.html