fork download
copy 
  1. # your code goes here
  2. import numpy as np
  3.  
  4. def sigmoid(x):
  5.     """Сигмоидная функция активации"""
  6.     return 1 / (1 + np.exp(-x))
  7.  
  8. def sigmoid_derivative(x):
  9.     """Производная сигмоидной функции"""
  10.     return x * (1 - x)
  11.  
  12. class SimpleNeuralNetwork:
  13.     def __init__(self, input_size=2, hidden_size=4, output_size=1):
  14.         """Инициализация нейронной сети"""
  15.         # Веса между входным и скрытым слоями
  16.         self.weights1 = np.random.uniform(-1, 1, (input_size, hidden_size))
  17.         # Веса между скрытым и выходным слоями
  18.         self.weights2 = np.random.uniform(-1, 1, (hidden_size, output_size))
  19.         # Смещения (bias)
  20.         self.bias1 = np.zeros((1, hidden_size))
  21.         self.bias2 = np.zeros((1, output_size))
  22.  
  23.     def forward(self, X):
  24.         """Прямое распространение"""
  25.         # Входной -> скрытый слой
  26.         self.hidden_input = np.dot(X, self.weights1) + self.bias1
  27.         self.hidden_output = sigmoid(self.hidden_input)
  28.  
  29.         # Скрытый -> выходной слой
  30.         self.final_input = np.dot(self.hidden_output, self.weights2) + self.bias2
  31.         self.final_output = sigmoid(self.final_input)
  32.  
  33.         return self.final_output
  34.  
  35.     def backward(self, X, y, output, learning_rate=0.1):
  36.         """Обратное распространение ошибки"""
  37.         # Ошибка на выходном слое
  38.         output_error = y - output
  39.         output_delta = output_error * sigmoid_derivative(output)
  40.  
  41.         # Ошибка на скрытом слое
  42.         hidden_error = np.dot(output_delta, self.weights2.T)
  43.         hidden_delta = hidden_error * sigmoid_derivative(self.hidden_output)
  44.  
  45.         # Обновление весов и смещений
  46.         self.weights2 += learning_rate * np.dot(self.hidden_output.T, output_delta)
  47.         self.bias2 += learning_rate * np.sum(output_delta, axis=0, keepdims=True)
  48.  
  49.         self.weights1 += learning_rate * np.dot(X.T, hidden_delta)
  50.         self.bias1 += learning_rate * np.sum(hidden_delta, axis=0, keepdims=True)
  51.  
  52.     def train(self, X, y, epochs=10000, learning_rate=0.1, verbose=True):
  53.         """Обучение нейронной сети"""
  54.         for epoch in range(epochs):
  55.             # Прямое распространение
  56.             output = self.forward(X)
  57.  
  58.             # Обратное распространение
  59.             self.backward(X, y, output, learning_rate)
  60.  
  61.             # Вывод прогресса
  62.             if verbose and epoch % 1000 == 0:
  63.                 loss = np.mean(np.square(y - output))
  64.                 print(f"Эпоха {epoch}, Loss: {loss:.6f}")
  65.  
  66.     def predict(self, X):
  67.         """Предсказание для новых данных"""
  68.         output = self.forward(X)
  69.         return (output > 0.5).astype(int), output
  70.  
  71. # Данные для XNOR
  72. X = np.array([[0, 0],
  73.               [0, 1],
  74.               [1, 0],
  75.               [1, 1]])
  76.  
  77. y = np.array([[1],
  78.               [0],
  79.               [0],
  80.               [1]])
  81.  
  82. # Создание и обучение сети
  83. print("Создание нейронной сети для XNOR...")
  84. nn = SimpleNeuralNetwork(input_size=2, hidden_size=4, output_size=1)
  85.  
  86. print("\nОбучение сети...")
  87. nn.train(X, y, epochs=300, learning_rate=1.57)
  88.  
  89. # Проверка результатов
  90. print("\nРезультаты:")
  91. predictions, probabilities = nn.predict(X)
  92. for i, (x, pred, prob) in enumerate(zip(X, predictions, probabilities)):
  93.     print(f"Вход: {x} -> Предсказание: {pred[0]} (вероятность: {prob[0]:.4f})")
  94.  
  95. # Дополнительная проверка точности
  96. accuracy = np.mean(predictions == y) * 100
  97. print(f"\nТочность: {accuracy:.2f}%")
Success #stdin #stdout 0.69s 42364KB
comments (?)
stdin
copy 
Standard input is empty
stdout
copy 
Создание нейронной сети для XNOR...

Обучение сети...
Эпоха 0, Loss: 0.249785

Результаты:
Вход: [0 0] -> Предсказание: 1 (вероятность: 0.9204)
Вход: [0 1] -> Предсказание: 0 (вероятность: 0.0992)
Вход: [1 0] -> Предсказание: 0 (вероятность: 0.1117)
Вход: [1 1] -> Предсказание: 1 (вероятность: 0.8756)

Точность: 100.00%
https://ideone.com/ujvNwL
language:
Python 3 (python  3.12)
created:
1 day ago
visibility:
public

Share or Embed source code

Discover > Sphere Engine API

The brand new service which powers Ideone!

Discover > IDE Widget

Widget for compiling and running the source code in a web browser!