From a11a8b95b5b2214ebc5b74c69e3af91dcc7c7c68 Mon Sep 17 00:00:00 2001
From: romanamo <r-schoene@gmx.net>
Date: Tue, 9 Apr 2024 23:45:21 +0200
Subject: [PATCH] added uebung2

---
 uebungen/uebung1.py |  2 +-
 uebungen/uebung2.py | 73 +++++++++++++++++++++++++++++++++++++++++++++
 2 files changed, 74 insertions(+), 1 deletion(-)
 create mode 100644 uebungen/uebung2.py

diff --git a/uebungen/uebung1.py b/uebungen/uebung1.py
index 33ef42f..7113d3f 100644
--- a/uebungen/uebung1.py
+++ b/uebungen/uebung1.py
@@ -64,4 +64,4 @@ while True:   # Endlosschleife
     ax.set_zlabel('Ausgabe\ndes Neurons')
     ax.set_zlim(0, 1)
     plt.draw()
-    plt.pause(0.00001)
+    plt.pause(0.3)
diff --git a/uebungen/uebung2.py b/uebungen/uebung2.py
new file mode 100644
index 0000000..6cd5582
--- /dev/null
+++ b/uebungen/uebung2.py
@@ -0,0 +1,73 @@
+import numpy as np
+
+# Sigmoide Aktivierungsfunktion und ihre Ableitung
+def sigmoid(x):
+    return 1 / (1 + np.exp(-x)) # Sigmoidfunktion
+
+def deriv_sigmoid(x):
+    return x * (1 - x) # Ableitung der Sigmoiden
+
+# Das XOR-Problem, input [bias, x, y] und Target-Daten
+inp    = np.array([[1,0,0], [1,0,1], [1,1,0], [1,1,1]])
+target = np.array([[0], [1], [1], [0]])
+
+# Die Architektur des neuronalen Netzes
+inp_size = 3   # Eingabeneuronen
+hid_size = 4   # Hidden-Neuronen
+out_size = 1   # Ausgabeneuron
+
+# Gewichte zufällig initialisieren (Mittelwert = 0)
+w0 = np.random.random((inp_size, hid_size)) - 0.5
+w1 = np.random.random((hid_size, out_size)) - 0.5
+
+def multiply_learnrate(old, new):
+    if old * new > 0:
+        return 1.2
+    elif old * new < 0:
+        return 0.5
+    return 1
+
+v_multiply_learnrate = np.vectorize(multiply_learnrate)
+
+L2_grad_old = np.zeros((4,1))
+L1_grad_old = np.zeros((3,4))
+
+# Netzwerk trainieren
+for i in range(600):
+
+    # Vorwärtsaktivierung
+    L0 = inp
+    L1 = sigmoid(np.matmul(L0, w0))
+    L1[0] = 1 # Bias-Neuron in der Hiddenschicht
+    L2 = sigmoid(np.matmul(L1, w1))
+
+    # Fehler berechnen
+    L2_error = L2 - target
+
+    # Backpropagation
+    L2_delta = L2_error * deriv_sigmoid(L2) # Gradient eL2
+    L1_error = np.matmul(L2_delta, w1.T)
+    L1_delta = L1_error * deriv_sigmoid(L1)
+    
+    # Gradienten
+    L2_grad_new = np.matmul(L1.T, L2_delta)
+    L1_grad_new = np.matmul(L0.T, L1_delta)
+
+    # Gewichte aktualisieren 
+    learnrate = 0.1
+    w1 -= learnrate * v_multiply_learnrate(L2_grad_old, L2_grad_new) * np.sign(L2_grad_new)
+    w0 -= learnrate * v_multiply_learnrate(L1_grad_old, L1_grad_new) * np.sign(L1_grad_new)
+
+    # Gradienten aktualisieren
+
+    L1_grad_old = np.copy(L1_grad_new)
+    L2_grad_old = np.copy(L2_grad_new)
+
+
+# Netzwerk testen
+L0 = inp
+L1 = sigmoid(np.matmul(inp, w0))
+L1[0] = 1 # Bias-Neuron in der Hiddenschicht 
+L2 = sigmoid(np.matmul(L1, w1))
+
+print(L2)
\ No newline at end of file