continue exercise 3, not done yet

Lösungen_N/SLN_Vorlage.py

@@ -0,0 +1,60 @@
+# -*- coding: utf-8 -*-
+# %%
+import numpy as np
+import nnwplot
+import matplotlib.pyplot as plt
+
+# %% ErrorRate
+def ErrorRate(Y,T):
+    if Y.ndim==1 or Y.shape[0]==1:
+        errors=Y!=T
+        return errors.sum()/Y.size
+    else: # für mehrere Ausgaben in one-hot Kodierung:
+        errors=Y.argmax(0)!=T.argmax(0)
+        return errors.sum()/Y.shape[1]
+
+# %%
+class SLN:
+    def __init__(self, dIn, cOut): # Konstruktor
+        np.random.seed(42)
+        self._b=np.zeros((cOut,1))
+        self._W=np.random.randn(cOut,dIn)/np.sqrt(dIn+1)
+
+    def neuron(self, X):
+        N = X.shape[1]
+        net = np.zeros(N)
+
+        for n in range(0,N):
+            for j in range(0,X.shape[0]):
+                # print(self._W)
+                net[n]+= X[j,n] * self._W[j]
+                
+        # b verwenden ...
+        net += self._b
+        return net > 0 # threshold ....
+    
+    # def DeltaTrain(self, X, T, eta, maxIter, maxErrorRate):
+    #     N=X.shape[1]    # Anzahl Trainingsdaten
+    #     plt.ion() # interactive mode on
+    #     for it in range(maxIter):
+    #         Y = ... # nur ein Aufruf
+    #         err = ErrorRate(..., ...)
+    #         if (it%20) == 0:
+    #             print('#{} err:{}\n{}\n{}'.format(it,err,self._W,self._b))
+    #             nnwplot.plotTwoFeatures(...)
+    #             plt.pause(0.05) # warte auf GUI event loop (je nach python Version notwendig oder nicht)
+    #         if err <= maxErrorRate:
+    #             break
+    #         # update _W
+    #         ...
+    #         # update _b 
+    #         ...
+    #     print('#{} err:{}\n{}\n{}'.format(it,err,self._W,self._b))
+    #     nnwplot.plotTwoFeatures(...)
+    #     plt.pause(0.05) # warte auf GUI event loop (je nach python Version notwendig oder nicht)
+    #
+    #     input("Press Enter to continue...") # wenn gewünscht ...
+# %%
+
+
+# %%

supplement_files/NNW_P3_A1_Vorlage.py

@@ -6,25 +6,29 @@ import numpy as np
 import nnwplot
 
 def neuron(X):
-    N = X.shape[...]
+    N = X.shape[1]
     net = np.zeros(N)
-    W = [....]
-    b = # Bias ... ergibt sich aus Aktivierungsschwelle
+    W = [-0.3,1]
+    b = 2 # Bias ... ergibt sich aus Aktivierungsschwelle
     for n in range(0,N):
-        for j in range ...:
-            net[..]+=
-    b verwenden ...
-    return net ... # threshold ....
+        for j in range(0,X.shape[0]):
+            net[n]+= X[n,j] * W[j]
+    # b verwenden ...
+    return net > b # threshold ....
 
 #%% 
 iris = np.loadtxt("iris.csv",delimiter=',')
 
-X=iris[...]
-T=iris[...]
+# X=iris[:,:2].T # nur die ersten 2 Merkmale anschauen und in Spaltenvektoren umwandeln
+T=iris[-1]
 
-print(X)
-print(T)
+# print(X)
+# print(T)
+print(X.shape[0])
+neuron(X)
 
 #%% 
 # AG1b
 nnwplot.plotTwoFeatures(X[...], T, neuron)
+
+# %%