Почему python не изменяет переменные в цикле?

Question

[Marcenary]

Есть простая нейросеть которая обучается и на выход должна выдать измененный список весов и смещения, но функция возвращает то что было в начале вне цикла объявлено, хотя ранее писал, всё менялось. Есть похожий код, но вместо list используется numpy.array. Почему так, если меняю переменные ?

from random import uniform

data = [
	[1, 0, 0],
	[0, 1, 0],
	[0, 0, 1],
	[0, 0, 1],
	[0, 1, 0],
	[1, 0, 0],
	[1, 0, 0],
	[0, 1, 0],
	[0, 0, 1],
	[0, 0, 1],
	[0, 1, 0],
	[1, 0, 0],
]
response = [0, 1, 2, 2, 1, 0, 0, 1, 2, 2, 1, 0]

hardlim = lambda s: 1 if s >= 0 else 0

def net(x: list, w: list, bias: int) -> int:
	assert len(x) == len(w)
	return sum([ w[i] * x[i] for i in range(len(x)) ]) + bias

def train(data: list, current: list, epoch: int=10):
	w = [uniform(0, 1) for _ in range(3)]
	print(w)
	bias = 0
	for _ in range(epoch):
		for i in range(len(data)):
			res = net(data[i], w, bias)
			err = current[i] - res
			# w = [w[j] + (err * data[i][j]) for j in range(len(w))]
			w[0] += err * data[i][0]
			w[1] += err * data[i][1]
			w[2] += err * data[i][2]
			bias += err
			print(w, bias)
	return w, bias

W, bias = train(data, response, 3)
print(W, bias)

Вывод
[0.21010613206587636, 0.9633637928027444, 0.41479921119301144]
[0.0, 0.9633637928027444, 0.41479921119301144] -0.21010613206587636
[0.0, 1.2101061320658764, 0.41479921119301144] 0.03663620719725558
[0.0, 1.2101061320658764, 1.9633637928027445] 1.5852007888069886
[0.0, 1.2101061320658764, 0.41479921119301144] 0.036636207197255466
[0.0, 0.9633637928027445, 0.41479921119301144] -0.21010613206587636
[0.21010613206587636, 0.9633637928027445, 0.41479921119301144] 0.0
[0.0, 0.9633637928027445, 0.41479921119301144] -0.21010613206587636
[0.0, 1.2101061320658764, 0.41479921119301144] 0.036636207197255466
[0.0, 1.2101061320658764, 1.9633637928027445] 1.5852007888069886
[0.0, 1.2101061320658764, 0.41479921119301144] 0.036636207197255466
[0.0, 0.9633637928027445, 0.41479921119301144] -0.21010613206587636
[0.21010613206587636, 0.9633637928027445, 0.41479921119301144] 0.0
[0.0, 0.9633637928027445, 0.41479921119301144] -0.21010613206587636
[0.0, 1.2101061320658764, 0.41479921119301144] 0.036636207197255466
[0.0, 1.2101061320658764, 1.9633637928027445] 1.5852007888069886
[0.0, 1.2101061320658764, 0.41479921119301144] 0.036636207197255466
[0.0, 0.9633637928027445, 0.41479921119301144] -0.21010613206587636
[0.21010613206587636, 0.9633637928027445, 0.41479921119301144] 0.0
[0.0, 0.9633637928027445, 0.41479921119301144] -0.21010613206587636
[0.0, 1.2101061320658764, 0.41479921119301144] 0.036636207197255466
[0.0, 1.2101061320658764, 1.9633637928027445] 1.5852007888069886
[0.0, 1.2101061320658764, 0.41479921119301144] 0.036636207197255466
[0.0, 0.9633637928027445, 0.41479921119301144] -0.21010613206587636
[0.21010613206587636, 0.9633637928027445, 0.41479921119301144] 0.0
[0.0, 0.9633637928027445, 0.41479921119301144] -0.21010613206587636
[0.0, 1.2101061320658764, 0.41479921119301144] 0.036636207197255466
[0.0, 1.2101061320658764, 1.9633637928027445] 1.5852007888069886
[0.0, 1.2101061320658764, 0.41479921119301144] 0.036636207197255466
[0.0, 0.9633637928027445, 0.41479921119301144] -0.21010613206587636
[0.21010613206587636, 0.9633637928027445, 0.41479921119301144] 0.0
[0.0, 0.9633637928027445, 0.41479921119301144] -0.21010613206587636
[0.0, 1.2101061320658764, 0.41479921119301144] 0.036636207197255466
[0.0, 1.2101061320658764, 1.9633637928027445] 1.5852007888069886
[0.0, 1.2101061320658764, 0.41479921119301144] 0.036636207197255466
[0.0, 0.9633637928027445, 0.41479921119301144] -0.21010613206587636
[0.21010613206587636, 0.9633637928027445, 0.41479921119301144] 0.0
[0.21010613206587636, 0.9633637928027445, 0.41479921119301144] 0.0

Comments

[dim5x]

Вы функцию активации hardlim нигде ниже по коду не используете.

На три класса такой подход вряд ли будет корректно разделять.

[Marcenary]

dim5x, пока специально не использую, ранее оно работало с 012(+препод говорит что работает). Пока проблема в списке, в ранних работах всё ок, а тут на тебе, уже что-то не то

[dim5x]

Marcenary, преподу виднее...
Насколько я помню, один нейрон не может в мультикласс, особенно с такой реализацией. Без функции активации подсчёт ошибки будет некорректен. Ошибка — должна вычисляться между предсказанным классом и истинной меткой. А сейчас err становится бессмысленной, так как сравниваются разные типы величин: дискретные метки и числа.

Если же будете применять эту ф.а., то опять же будет некорректно, потому что реализация lambda s: 1 if s >= 0 else 0 как бы намекает на бинарную классификацию.

[Marcenary]

dim5x, да согласен, просто привычка, без неё сеть выдаёт как раз близкие числа к 0 1 2, а с ceil их выдаёт, я эту проблему решил другим путем, сделал так, что сеть из 5 параметров высчитывает классы и выдаёт 0 класс - [1,0,0], 1 класс - [0,1,0], 2 класс - [0,0,1] ранее обучив 3 раза сеть, получив 3 списка весов для определения каждого класса и использую join и словарь для определения их('100' - 0 класс и т.д.). Но вод решил добавить 2 слой для того, что бы сеть сама определила что значит 100 или 010 и т.д. и вот на этом коде я застопорился, ранее написанный код работает при копировании рабочей функции тоже самое, могу приложить ссылки на colab.

[dim5x]

Marcenary, проблем со списками или "python не изменяет переменные в цикле" нет.
В текущей реализации из-за несогласованности между target (0,1,2) и выходом сети (res ∈ ℝ) веса колеблются, но после полного прохода возвращаются к начальным значениям.

Обратите внимание на смещения (последнее как раз приведёт к начальному результату):
[0.21010613206587636, 0.9633637928027444, 0.414799211193011441]
[0.0, 0.9633637928027444, 0.41479921119301144] -0.21010613206587636
[0.0, 1.2101061320658764, 0.41479921119301144] 0.03663620719725558
[0.0, 1.2101061320658764, 1.9633637928027445] 1.5852007888069886
[0.0, 1.2101061320658764, 0.41479921119301144] 0.036636207197255466
[0.0, 0.9633637928027445, 0.41479921119301144] -0.21010613206587636

З.Ы. т.е. проблема в логике.