@vladimirK1

Проблема с обучением нейронной сети, как построить mlp?

Не могу разобраться, прислали методичку, а в ней ничего не понятно. Пытался найти в сети не нашел результатов, как подавать файлик с обучающими данными. Задача состоит: разработанный MLP обучить на обучающих данных, которые приложены ниже. После обучения нам еще пришлют тестировочные данные. Если не сложно, можете с mlp приложить, а то пока что трудно с этим разобраться, нужно найти литературу нормальную.
-1.39239004999399	-0.597463161125779	0
-0.450657544657588	-0.213353960216045	0
-1.31065315008163	0.570012198388577	0
0.283034225925803	0.100616206973791	0
-1.20690154470503	1.04567545056343	0
0.363225104287267	-0.251742009446025	0
-1.40581917017698	0.820990815386176	0
-0.827153645455837	0.00797210596501829	0
-0.702793410047889	-0.417177463322878	0
0.392324045300484	-0.305373175442219	0
-0.431528193876147	1.37701694816351	0
-0.11295180208981	-0.361840535327792	0
-0.981689188629389	-0.582154671102762	0
-0.448794264346361	0.463328318297863	0
-0.702622003853321	0.603528268262744	0
-0.328902885317802	-0.267501036077738	0
-0.131961349397898	0.301571784168482	0
-0.628973986953497	-0.485888203978538	0
-1.48559930734336	0.96663834117353	0
-0.296888053417206	0.439752315729857	0
-0.346670994535089	1.1519364412874	0
-1.05533551052213	1.31179966367781	0
-1.49142957106233	0.478683003783226	0
-1.33546997606754	0.324147663637996	0
0.210148001089692	1.12443906217813	0
0.122110720723867	0.959316627681255	0
-0.117016438394785	1.39359128810465	0
-0.439716454595327	0.622985377535224	0
-1.21443545632064	-0.0675721880048513	0
-0.044203020632267	1.08023826554418	0
-1.43781319260597	0.151714637503028	0
-0.210955411195755	0.754373548179865	0
-1.32906787283719	-0.582365798205137	0
0.395755540579557	-0.0482255317270756	0
-0.950064381584525	0.57582343518734	0
0.463538816198707	1.07521523870528	0
-0.915471041575074	0.369861166551709	0
-0.764911223202944	0.887455349415541	0
-1.06273462437093	0.315951484814286	0
-1.01888907328248	0.888837175071239	0
0.304510889574885	0.598082594200969	0
0.30526377633214	0.870007870346308	0
-1.33973498083651	0.544797444343567	0
-1.15637363493443	-0.296885675191879	0
0.0517498999834061	0.250329764187336	0
-1.07870748266578	0.434240109845996	0
-1.49244686216116	0.903072848543525	0
-1.27188692055643	-0.262008222192526	0
-0.877685999497771	0.383768526464701	0
-1.42283617705107	0.799505907669663	0
-1.12144484370947	-0.304959133639932	0
-1.1929553039372	-0.316802667826414	0
0.270748233422637	0.785760683566332	0
-1.10865602828562	0.253092674165964	0
-0.208883255720139	1.33320820108056	0
0.318265102803707	-0.293488938733935	0
0.342569833621383	1.04334607124329	0
-1.19844749011099	-0.217298712953925	0
-0.360936155542731	1.03436738587916	0
0.386019321158528	-0.288873052597046	0
-0.342862766236067	0.864014012366533	0
-0.989416690543294	-0.0408222213387489	0
-0.799497276544571	0.764487050101161	0
0.0904660951346159	0.843815629929304	0
-1.35941226780415	-0.353944836556911	0
-0.318538151681423	1.06931366547942	0
-1.10466577857733	0.434037046134472	0
-0.211337016895413	0.252423381060362	0
-0.29140030965209	1.29867684058845	0
-0.617389865219593	0.499081175401807	0
-0.706919208168983	0.343443296477199	0
-0.315600611269474	1.09392803125083	0
0.398918211460114	0.312187004461885	0
-0.716553501784801	1.36589952334762	0
-1.12933986261487	0.878367142379284	0
-0.351108273491263	-0.207985761016607	0
-0.245318084955215	1.07885727807879	0
-1.40073940716684	0.401824349164963	0
-0.979589378461242	-0.545007653906941	0
0.290631724521518	0.545144684240222	0
-0.0430971663445234	0.462633914873004	0
-0.712866369634867	1.08607340939343	0
0.307697057723999	0.715197622403502	0
-0.72378109395504	1.0842726636678	0
-0.792862934991717	-0.380106011778116	0
-0.00929343514144421	0.0281702294945717	0
-0.0211706962436438	-0.0278359189629555	0
-1.09965377300978	-0.31943767927587	0
-0.13910454697907	1.06923266462982	0
-0.764311667531729	0.600485058128834	0
-1.28119461610913	-0.0945590533316135	0
-1.09384045749903	-0.596761413291097	0
-0.190341887995601	1.01247879639268	0
-0.124750340357423	-0.178850366175175	0
-1.34087672270834	0.506385147199035	0
-1.44437530077994	-0.372433197125792	0
-0.88551652431488	0.90443640910089	0
-1.21463654562831	0.486857536807656	0
-1.36427760496736	0.273425411060452	0
-0.0501587707549334	0.7924127407372	0
0.888038067147136	-0.526633763313293	1
0.809786619618535	-0.244266811385751	1
-0.303372476249933	-0.142666004225612	1
-0.400697354227304	-0.391701476275921	1
0.428098751232028	-0.00846406407654288	1
0.955720882862806	-1.0200966835022	1
0.859844530001283	-1.04324980787933	1
0.24422537907958	-0.48508313074708	1
-0.40003602579236	-1.20495451949537	1
-0.160884959623218	-1.21119154579937	1
0.121141629293561	0.462979030236602	1
-0.0750535950064659	0.389202271029353	1
0.469299875199795	-0.945363217592239	1
0.379730703309178	-0.578576540201902	1
0.711899323388934	-0.143859611451626	1
0.3021453730762	-0.496773294731975	1
1.18529921211302	-0.204343584924936	1
0.746642898768187	0.309584275260568	1
-0.393032053485513	-0.150444281846285	1
1.22707438655198	-0.268507377803326	1
0.112810315564275	-1.03142468966544	1
-0.446556851267815	-0.289715267345309	1
0.282349769026041	-0.914270694926381	1
-0.437899433076382	-0.190545746684074	1
1.21587748639286	-0.230789105966687	1
0.303816361352801	-0.411103492230177	1
0.723193868994713	0.0814826678484678	1
1.25082901492715	-0.159235162287951	1
0.690007263794541	0.209017889946699	1
1.08633192069829	-0.247908465191722	1
0.681249354034662	0.423096599429846	1
0.63841650635004	0.0553249031305313	1
0.84547995403409	-0.0644301451742649	1
-0.479536907747388	-0.769960376992822	1
0.18311963416636	-0.788356084004045	1
1.04201487638056	-1.18284490853548	1
1.23969219066203	0.302438006177545	1
0.951149225234985	-1.09022662937641	1
1.28785296715796	-1.24130391851068	1
0.571161009371281	-0.118028565868735	1
1.06017853878438	-0.309823715686798	1
-0.105230620130897	-0.582049637660384	1
1.09484578669071	-0.468878101184964	1
1.19762514159083	-1.0946824323386	1
0.757396573200822	0.0759713057428598	1
0.733841856941581	0.25337884798646	1
0.00132642686367035	0.34668731726706	1
1.07618230767548	-0.799844728410244	1
0.927763728424907	-1.1455404214561	1
-0.336986906826496	0.16991727091372	1
1.21063993126154	-0.18070336394012	1
0.114964190870523	-1.25541530698538	1
0.445969361811876	-0.0923021171241999	1
-0.116227554157376	-1.19037444852293	1
1.48999117128551	-0.945819684863091	1
0.795269263908267	0.439938424527645	1
-0.151728997007012	-0.074431486055255	1
0.0499680545181036	-0.414930473640561	1
1.17782938480377	-0.406360270082951	1
0.242479216307402	-0.381483010575175	1
-0.0349341910332441	-0.0236857827752829	1
-0.0366696417331696	-0.187451466545463	1
1.44203379750252	-1.38817701078951	1
-0.454176684841514	-1.19872906208038	1
-0.196347231045365	0.326470427587628	1
-0.481485072523355	0.0946592338383198	1
0.787740675732493	-0.63975919559598	1
0.329126983880997	-0.294387384876609	1
-0.318631276488304	0.51141545586288	1
0.898519163951278	-1.04682774432003	1
0.815055921673775	-1.13671000637114	1
0.570957642048597	0.503418699279428	1
-0.392000380903482	-1.34431580603123	1
0.019984545186162	-1.28814458064735	1
1.22665323317051	-1.13670367151499	1
-0.325099743902683	0.328613089770079	1
0.918809719383717	0.0432894252240658	1
1.22844546660781	-1.37063437104225	1
0.0860512908548117	0.0158091507852077	1
0.789840504527092	-0.964876345917583	1
1.15727329067886	-1.06213231906295	1
1.24382985197008	-0.718034704774618	1
1.32504406385124	-0.664852235093713	1
0.380316628143191	0.204785574600101	1
0.20805804617703	-0.346923151612282	1
0.355418080464005	0.196368443220854	1
-0.49825088866055	-1.11034972183406	1
1.04706199467182	-0.595174945518374	1
-0.320349996909499	-1.12687651589513	1
0.867786107584834	-1.2676496706903	1
-0.191824777051806	-0.253314070031047	1
-0.403055045753717	-0.303916897252202	1
-0.462830908596516	-0.777312583848834	1
0.795230325311422	0.216036053746939	1
1.32828597724438	-0.831470453739166	1
0.363404605537653	0.390453467518091	1
-0.0148076210170984	0.0875863771885633	1
0.808031119406223	-0.677718711644411	1
-0.454295286908746	-0.942977077886462	1
-0.223105819895864	-0.941122464463115	1
  • Вопрос задан
  • 133 просмотра
Пригласить эксперта
Ответы на вопрос 2
@dmshar
"можете с mlp приложить" - не понятно, что и куда прикладывать-то надо?

, а то пока что трудно с этим разобраться, нужно найти литературу нормальную.
- ну вот вам теория:
https://radioprog.ru/post/781
Вот вам практика (в разных вариантах , от голого Python до Tensorflow)::
https://radioprog.ru/post/786
https://wiki.programstore.ru/pishem-nejroset-na-py...
https://andreyex.ru/tensorflow-mashinnoe-obuchenie...
Ответ написан
@qid00000000
Мало что знаю, но информацию найду в гугле
Если речь о мультислойном перцептроне, то можете ознакомиться с этой статьей с примерами: deeplearning.net/tutorial/mlp.html

Если не ошибаюсь, то у вас 2 нейрона на входном слое (1 и 2 столбцы) и 1 выходной (третий столбец).

Вполне возможно, что у вас нету скрытого слоя, что упрощает код.

Накидал простенький пример (на основе предыдущего говнокода, где я разбирался) на основе сигмоидной модели:
spoiler

import numpy as np

np.random.seed(1)

speed_train = 0.5

arr = []
for d in open("data.txt",'r'):
    arr.append(d[:-1].split('\t'))
    
#выбираем данные (1 и 2 столбцы)
train_data = np.array(np.array(arr)[:,:2],dtype=float)
#Добавляем нейрон смещения
train_bias = np.array([[1] * len(arr)],dtype=float).T
#Наши итоговые обучающие данные
train = np.hstack((train_data,train_bias))
#результат, который хотим получить
res = np.array([np.array(arr)[:,2]],dtype=int).T

def sigmoid(z):
    return 1 / (1 + np.exp(-z))

def diffsigmoid(z):
    return (1 - z) * z

def normal(z,nbias):
    return np.round(z-nbias)

weights = np.random.random((3,1))



print("начальные веса: ")
print(weights)

output = sigmoid(np.dot(train, weights))

print("результат: ")
print(output)

err = res - output

print("ошибка: ")
print(err)

adweights = np.dot(train.T, err * diffsigmoid(output))

print("Как нужно изменить веса: ")
print(adweights)

weights += adweights

print("Измененные веса: ")
print(weights)

for i in range(10000):
    output = sigmoid(np.dot(train, weights))
    err = res - output
    adweights = np.dot(train.T, speed_train * err * diffsigmoid(output))
    weights += adweights

    print(err.sum())

print("weights: ", weights)

print(normal(sigmoid(np.dot(train,weights)),0))



Обучался по этому списку статей: https://habr.com/ru/post/417209/

P.S. в data.txt нужно засунуть массив присланный вами.
Ответ написан
Ваш ответ на вопрос

Войдите, чтобы написать ответ

Войти через центр авторизации
Похожие вопросы