start exercise 4

Lösungen_N/AB2.ipynb

@@ -2869,6 +2869,10 @@
    "display_name": "nnw (3.14.x)",
    "language": "python",
    "name": "python3"
+  },
+  "language_info": {
+   "name": "python",
+   "version": "3.14.-1"
   }
  },
  "nbformat": 4,

Lösungen_N/AB4.ipynb

@@ -0,0 +1,64 @@
+{
+ "cells": [
+  {
+   "cell_type": "code",
+   "execution_count": 2,
+   "id": "a35b6bf3",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "import numpy as np"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 5,
+   "id": "ea7529b2",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "iris = np.loadtxt(\"../supplement_files/iris.csv\",delimiter=',')\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "c3166860",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# 4d)\n",
+    "\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "8f9a70f7",
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "nnw (3.14.x)",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.14.8"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 5
+}

Lösungen_N/SLN_Blatt2.py

@@ -0,0 +1,65 @@
+# -*- 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 # gibt boolsche Liste zurück
+        return errors.sum()/Y.size # summiert True als 1 in errors auf 
+    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)
+
+        net = self._W @ X 
+        # b verwenden ...
+        net = 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 = self.neuron(X) # nur ein Aufruf
+            err = ErrorRate(Y, T)
+            if (it%20) == 0:
+                print('#{} err:{}\n{}\n{}'.format(it,err,self._W,self._b))
+                nnwplot.plotTwoFeatures(X, T, self.neuron)
+                plt.pause(0.05) # warte auf GUI event loop (je nach python Version notwendig oder nicht)
+            if err <= maxErrorRate:
+                break
+            Y = Y.astype(float)
+            # update _W
+            # X.shape = (2,4), T.shape = (1,4), Y.shape = (1,4)
+            self._W +=  eta * (T - Y) @ X.T  / N
+            # update _b 
+            self._b -= eta * (T - Y) @ np.ones((1,N)).T / N
+            
+        print('#{} err:{}\n{}\n{}'.format(it,err,self._W,self._b))
+        nnwplot.plotTwoFeatures(X, T, self.neuron)
+        plt.pause(0.05) # warte auf GUI event loop (je nach python Version notwendig oder nicht)
+
+        input("Press Enter to continue...") # wenn gewünscht ...
+# %%
+# 3f)
+X_AND = np.array([[0,0], [1,0], [0,1], [1,1]]).T
+T_AND = np.array([[0],[0],[0],[1]]).T
+
+
+sln = SLN(2, 1)
+sln.DeltaTrain(X_AND, T_AND,0.5,10,0)
+
+# %%

Lösungen_N/SLN_Vorlage.py

@@ -7,8 +7,8 @@ import matplotlib.pyplot as plt
 # %% ErrorRate
 def ErrorRate(Y,T):
     if Y.ndim==1 or Y.shape[0]==1:
-        errors=Y!=T
+        errors=Y!=T # gibt boolsche Liste zurück
-        return errors.sum()/Y.size
+        return errors.sum()/Y.size # summiert True als 1 in errors auf 
     else: # für mehrere Ausgaben in one-hot Kodierung:
         errors=Y.argmax(0)!=T.argmax(0)
         return errors.sum()/Y.shape[1]
@@ -24,37 +24,45 @@ class SLN:
         N = X.shape[1]
         net = np.zeros(N)
 
-        for n in range(0,N):
+        for n in range(N):
-            for j in range(0,X.shape[0]):
+            for j in range(X.shape[0]):
                 # print(self._W)
-                net[n]+= X[j,n] * self._W[j]
+                net[n]+= X[j,n] * self._W[0, j]
                 
         # b verwenden ...
-        net += self._b
+        net = net - self._b
         return net > 0 # threshold ....
     
-    # def DeltaTrain(self, X, T, eta, maxIter, maxErrorRate):
+    def DeltaTrain(self, X, T, eta, maxIter, maxErrorRate):
-    #     N=X.shape[1]    # Anzahl Trainingsdaten
+        N=X.shape[1]    # Anzahl Trainingsdaten
-    #     plt.ion() # interactive mode on
+        plt.ion() # interactive mode on
-    #     for it in range(maxIter):
+        for it in range(maxIter):
-    #         Y = ... # nur ein Aufruf
+            Y = self.neuron(X) # nur ein Aufruf
-    #         err = ErrorRate(..., ...)
+            err = ErrorRate(Y, T)
-    #         if (it%20) == 0:
+            if (it%20) == 0:
-    #             print('#{} err:{}\n{}\n{}'.format(it,err,self._W,self._b))
+                print('#{} err:{}\n{}\n{}'.format(it,err,self._W,self._b))
-    #             nnwplot.plotTwoFeatures(...)
+                nnwplot.plotTwoFeatures(X, T, self.neuron)
-    #             plt.pause(0.05) # warte auf GUI event loop (je nach python Version notwendig oder nicht)
+                plt.pause(0.05) # warte auf GUI event loop (je nach python Version notwendig oder nicht)
-    #         if err <= maxErrorRate:
+            if err <= maxErrorRate:
-    #             break
+                break
-    #         # update _W
+            Y = Y.astype(float)
-    #         ...
+            # update _W
-    #         # update _b 
+            # X.shape = (2,4), T.shape = (1,4), Y.shape = (1,4)
-    #         ...
+            self._W +=  eta * (T - Y) @ X.T  / N
-    #     print('#{} err:{}\n{}\n{}'.format(it,err,self._W,self._b))
+            # update _b 
-    #     nnwplot.plotTwoFeatures(...)
+            self._b -= eta * (T - Y) @ np.ones((1,N)).T / N
-    #     plt.pause(0.05) # warte auf GUI event loop (je nach python Version notwendig oder nicht)
-    #
-    #     input("Press Enter to continue...") # wenn gewünscht ...
-# %%
             
+        print('#{} err:{}\n{}\n{}'.format(it,err,self._W,self._b))
+        nnwplot.plotTwoFeatures(X, T, self.neuron)
+        plt.pause(0.05) # warte auf GUI event loop (je nach python Version notwendig oder nicht)
+
+        input("Press Enter to continue...") # wenn gewünscht ...
+# %%
+# 3f)
+X_AND = np.array([[0,0], [1,0], [0,1], [1,1]]).T
+T_AND = np.array([[0],[0],[0],[1]]).T
+
+sln = SLN(2, 1)
+sln.DeltaTrain(X_AND, T_AND,0.5,10,0)
 
 # %%