übung 3

Übung 3/SLN.py

@@ -0,0 +1,57 @@
+import numpy as np
+import nnwplot
+import matplotlib.pyplot as plt
+
+
+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):
+        self.dIn = dIn
+        self.cOut = cOut
+        np.random.seed(42)
+        self._b = np.zeros((cOut, 1))
+        self._W = np.random.randn(dIn, cOut) / np.sqrt(dIn + 1)
+
+    def neuron(self, X):
+        N = X.shape[1]
+        net = np.zeros(N)
+
+        for n in range(0, N):
+            value = 0
+            for i in range(self.dIn):
+                value += X[i, n] * self._W[i][0]
+            net[n] += value
+        return net > self._b[0]
+
+    def delta_train(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
+            # update _W
+            for n in range(N):
+                error = T[n] - Y[n]
+                for j in range(self.dIn):
+                    weighted_error = error * X[j, n]
+                    to_learn = weighted_error * eta
+                    self._W[j, 0] += to_learn
+            # update _b
+            ...
+        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)

Übung 3/SLN_Vorlage.py

@@ -1,43 +0,0 @@
-# -*- 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__(...): # Konstruktor
-        np.random.seed(42)
-        self._b=np.zeros((AAA,1))
-        self._W=np.random.randn(BBB,CCC)/np.sqrt(DDD)
-
-    # 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 ...