fork download
copy 
  1. import numpy as np
  2. from itertools import product  # To generate all binary combinations
  3.  
  4. # Initialisierung der Schwellenwerte
  5. lower_threshold = 0.8
  6. upper_threshold = 1.2
  7.  
  8. # Lernrate
  9. learning_rate = 0.1
  10.  
  11. # Trainingsdaten (Inputs für das XOR-Problem und andere)
  12. inputs = [[0, 0], [0, 1], [1, 0], [1, 1]]
  13.  
  14. # Alle möglichen Zieltabellen (16 Kombinationen)
  15. all_possible_targets = list(product([0, 1], repeat=4))
  16.  
  17. # Trainingsloop für jede mögliche Zieltabelle
  18. for table_index, targets in enumerate(all_possible_targets, start=1):
  19.     print(f"\n=== Wahrheitstabelle {table_index}: Targets = {targets} ===")
  20.  
  21.     # Initialisieren der Startwerte
  22.     max_iterations = 500  # Maximal 500 Iterationen für jedes Bias (updated from 200 to 500)
  23.     epoch = 0
  24.     network_trained = False
  25.     start_weights = None
  26.     final_weights = None
  27.     bias = 0.0  # Initial Bias ist 0.0
  28.     bias_increment = 0.1  # Bias-Inkrement
  29.     max_bias = 0.9  # Maximaler Bias (now set to 0.9)
  30.     min_bias = 0.0  # Minimaler Bias (start from 0)
  31.     reset_count = 0  # Counter to track the number of weight resets
  32.  
  33.     # Erste Trainingsrunde ohne Bias-Erhöhung
  34.     while epoch < max_iterations and reset_count < 5:
  35.         epoch += 1
  36.         all_correct = True  # Flag, um zu überprüfen, ob alle Ausgaben korrekt sind
  37.         current_weights = np.random.uniform(0, 2, 2)  # Zufällige Startgewichte im Bereich [0, 2]
  38.  
  39.         if epoch == 1:  # Die erste Iteration nach Initialisierung
  40.             start_weights = current_weights  # Speichere die Startgewichte
  41.  
  42.         for input_vector, target in zip(inputs, targets):
  43.             # Berechnung der gewichteten Summe inkl. Bias
  44.             weighted_sum = np.dot(input_vector, current_weights) + bias
  45.  
  46.             # Aktivierungsfunktion (Schwellenwertfunktion mit zwei Schwellenwerten)
  47.             output = 1 if lower_threshold < weighted_sum < upper_threshold else 0
  48.  
  49.             # Fehlerberechnung
  50.             error = target - output
  51.  
  52.             # Wenn ein Fehler vorliegt, dann weise die Gewichte an
  53.             if error != 0:
  54.                 all_correct = False
  55.                 current_weights += learning_rate * error * np.array(input_vector)
  56.  
  57.         # Überprüfe, ob alle Ausgaben korrekt sind
  58.         if all_correct:
  59.             network_trained = True
  60.             final_weights = current_weights  # Speichere die finalen Gewichte
  61.             break  # Stoppe, wenn alle Ausgaben korrekt sind
  62.  
  63.         if not network_trained:
  64.             print(f"Epoch {epoch} konnte die Tabelle nicht korrekt lernen.")
  65.             print(f"Versuche, die Gewichte nach {epoch} Iterationen zurückzusetzen.")
  66.             reset_count += 1  # Zähle die Versuche
  67.             print(f"Anzahl der Versuche: {reset_count}")
  68.  
  69.             if reset_count < 5:
  70.                 continue  # Versuche erneut mit neuen zufälligen Gewichten
  71.  
  72.     if network_trained:
  73.         print(f"Das Netzwerk hat Wahrheitstabelle {table_index} erfolgreich nach {epoch} Iterationen gelernt.")
  74.         print(f"Startgewichte: {start_weights}")
  75.         print(f"Endgewichte: {final_weights}")
  76.         print(f"Endgültiger Bias: {bias}")
  77.         continue  # Zum nächsten Wahrheitstabelle
  78.  
  79.     # Wenn das Netzwerk nach 500 Iterationen nicht gelernt hat, füge den Bias hinzu
  80.     print(f"Das Netzwerk hat Wahrheitstabelle {table_index} nach {epoch} Iterationen nicht korrekt gelernt.")
  81.     print("Erhöhe den Bias und versuche es erneut.")
  82.  
  83.     # Bias erhöhen in Schritten bis max_bias
  84.     bias = 0.0
  85.     for bias in np.arange(min_bias + bias_increment, max_bias + bias_increment, bias_increment):  # Bias von 0.1 bis 0.9
  86.         print(f"Versuch mit Bias {bias}:")
  87.         epoch = 0
  88.         start_weights = np.random.uniform(0, 2, 2)  # Zufällige Startgewichte für die erneute Trainingsrunde
  89.         network_trained = False  # Netzwerk muss erneut trainiert werden
  90.  
  91.         while epoch < max_iterations:
  92.             epoch += 1
  93.             all_correct = True
  94.             current_weights = np.random.uniform(0, 2, 2)  # Zufällige Startgewichte im Bereich [0, 2]
  95.  
  96.             for input_vector, target in zip(inputs, targets):
  97.                 # Berechnung der gewichteten Summe inkl. Bias
  98.                 weighted_sum = np.dot(input_vector, current_weights) + bias
  99.  
  100.                 # Aktivierungsfunktion (Schwellenwertfunktion mit zwei Schwellenwerten)
  101.                 output = 1 if lower_threshold < weighted_sum < upper_threshold else 0
  102.  
  103.                 # Fehlerberechnung
  104.                 error = target - output
  105.  
  106.                 # Wenn ein Fehler vorliegt, dann weise die Gewichte an
  107.                 if error != 0:
  108.                     all_correct = False
  109.                     current_weights += learning_rate * error * np.array(input_vector)
  110.  
  111.             # Überprüfe, ob alle Ausgaben korrekt sind
  112.             if all_correct:
  113.                 network_trained = True
  114.                 final_weights = current_weights  # Speichere die finalen Gewichte
  115.                 break  # Stoppe, wenn alle Ausgaben korrekt sind
  116.  
  117.         if network_trained:
  118.             break  # Das Netzwerk hat jetzt gelernt
  119.  
  120.     # Bias verringern und erneut testen, wenn das Netzwerk nicht erfolgreich war
  121.     if not network_trained:
  122.         print("Erhöhe den Bias bis zum maximalen Wert und versuche es dann mit abnehmendem Bias.")
  123.         for bias in np.arange(max_bias, min_bias - bias_increment, -bias_increment):  # Bias von 0.9 bis 0
  124.             print(f"Versuch mit Bias {bias}:")
  125.             epoch = 0
  126.             start_weights = np.random.uniform(0, 2, 2)  # Zufällige Startgewichte für die erneute Trainingsrunde
  127.             network_trained = False  # Netzwerk muss erneut trainiert werden
  128.  
  129.             while epoch < max_iterations:
  130.                 epoch += 1
  131.                 all_correct = True
  132.                 current_weights = np.random.uniform(0, 2, 2)  # Zufällige Startgewichte im Bereich [0, 2]
  133.  
  134.                 for input_vector, target in zip(inputs, targets):
  135.                     # Berechnung der gewichteten Summe inkl. Bias
  136.                     weighted_sum = np.dot(input_vector, current_weights) + bias
  137.  
  138.                     # Aktivierungsfunktion (Schwellenwertfunktion mit zwei Schwellenwerten)
  139.                     output = 1 if lower_threshold < weighted_sum < upper_threshold else 0
  140.  
  141.                     # Fehlerberechnung
  142.                     error = target - output
  143.  
  144.                     # Wenn ein Fehler vorliegt, dann weise die Gewichte an
  145.                     if error != 0:
  146.                         all_correct = False
  147.                         current_weights += learning_rate * error * np.array(input_vector)
  148.  
  149.                 # Überprüfe, ob alle Ausgaben korrekt sind
  150.                 if all_correct:
  151.                     network_trained = True
  152.                     final_weights = current_weights  # Speichere die finalen Gewichte
  153.                     break  # Stoppe, wenn alle Ausgaben korrekt sind
  154.  
  155.             if network_trained:
  156.                 break  # Das Netzwerk hat jetzt gelernt
  157.  
  158.     # Ausgabe der Ergebnisse nach der Anpassung des Bias
  159.     print(f"Total Iterationen: {epoch}")
  160.     print(f"Startgewichte: {start_weights}")
  161.     print(f"Endgewichte: {final_weights}")
  162.     print(f"Endgültiger Bias: {bias}")
  163.  
  164.     # Prüfen, ob das Netzwerk die Tabelle erfolgreich gelernt hat
  165.     if network_trained:
  166.         print(f"\nDas Netzwerk hat Wahrheitstabelle {table_index} erfolgreich gelernt!")
  167.         print(f"Startgewichte: {start_weights}")
  168.         print(f"Endgewichte: {final_weights}")
  169.         print(f"Endgültiger Bias: {bias}")
  170.  
Success #stdin #stdout 2.94s 28948KB
comments (?)
stdin
copy 
Standard input is empty
stdout
copy 
=== Wahrheitstabelle 1: Targets = (0, 0, 0, 0) ===
Das Netzwerk hat Wahrheitstabelle 1 erfolgreich nach 1 Iterationen gelernt.
Startgewichte: [0.78905993 0.58066735]
Endgewichte: [0.78905993 0.58066735]
Endgültiger Bias: 0.0

=== Wahrheitstabelle 2: Targets = (0, 0, 0, 1) ===
Epoch 1 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 1 Iterationen zurückzusetzen.
Anzahl der Versuche: 1
Das Netzwerk hat Wahrheitstabelle 2 erfolgreich nach 2 Iterationen gelernt.
Startgewichte: [1.17212335 2.07124488]
Endgewichte: [0.57576171 0.40493301]
Endgültiger Bias: 0.0

=== Wahrheitstabelle 3: Targets = (0, 0, 1, 0) ===
Epoch 1 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 1 Iterationen zurückzusetzen.
Anzahl der Versuche: 1
Epoch 2 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 2 Iterationen zurückzusetzen.
Anzahl der Versuche: 2
Das Netzwerk hat Wahrheitstabelle 3 erfolgreich nach 3 Iterationen gelernt.
Startgewichte: [0.81605054 0.39901132]
Endgewichte: [0.81912376 0.75881482]
Endgültiger Bias: 0.0

=== Wahrheitstabelle 4: Targets = (0, 0, 1, 1) ===
Epoch 1 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 1 Iterationen zurückzusetzen.
Anzahl der Versuche: 1
Epoch 2 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 2 Iterationen zurückzusetzen.
Anzahl der Versuche: 2
Epoch 3 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 3 Iterationen zurückzusetzen.
Anzahl der Versuche: 3
Epoch 4 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 4 Iterationen zurückzusetzen.
Anzahl der Versuche: 4
Epoch 5 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 5 Iterationen zurückzusetzen.
Anzahl der Versuche: 5
Das Netzwerk hat Wahrheitstabelle 4 nach 5 Iterationen nicht korrekt gelernt.
Erhöhe den Bias und versuche es erneut.
Versuch mit Bias 0.1:
Total Iterationen: 111
Startgewichte: [1.88118585 0.29351745]
Endgewichte: [0.714449   0.30178357]
Endgültiger Bias: 0.1

Das Netzwerk hat Wahrheitstabelle 4 erfolgreich gelernt!
Startgewichte: [1.88118585 0.29351745]
Endgewichte: [0.714449   0.30178357]
Endgültiger Bias: 0.1

=== Wahrheitstabelle 5: Targets = (0, 1, 0, 0) ===
Epoch 1 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 1 Iterationen zurückzusetzen.
Anzahl der Versuche: 1
Epoch 2 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 2 Iterationen zurückzusetzen.
Anzahl der Versuche: 2
Epoch 3 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 3 Iterationen zurückzusetzen.
Anzahl der Versuche: 3
Epoch 4 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 4 Iterationen zurückzusetzen.
Anzahl der Versuche: 4
Das Netzwerk hat Wahrheitstabelle 5 erfolgreich nach 5 Iterationen gelernt.
Startgewichte: [1.21837204 0.40704653]
Endgewichte: [0.4514268  1.05622565]
Endgültiger Bias: 0.0

=== Wahrheitstabelle 6: Targets = (0, 1, 0, 1) ===
Epoch 1 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 1 Iterationen zurückzusetzen.
Anzahl der Versuche: 1
Epoch 2 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 2 Iterationen zurückzusetzen.
Anzahl der Versuche: 2
Epoch 3 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 3 Iterationen zurückzusetzen.
Anzahl der Versuche: 3
Epoch 4 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 4 Iterationen zurückzusetzen.
Anzahl der Versuche: 4
Epoch 5 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 5 Iterationen zurückzusetzen.
Anzahl der Versuche: 5
Das Netzwerk hat Wahrheitstabelle 6 nach 5 Iterationen nicht korrekt gelernt.
Erhöhe den Bias und versuche es erneut.
Versuch mit Bias 0.1:
Total Iterationen: 113
Startgewichte: [1.65489507 0.79561459]
Endgewichte: [0.00174792 0.77610777]
Endgültiger Bias: 0.1

Das Netzwerk hat Wahrheitstabelle 6 erfolgreich gelernt!
Startgewichte: [1.65489507 0.79561459]
Endgewichte: [0.00174792 0.77610777]
Endgültiger Bias: 0.1

=== Wahrheitstabelle 7: Targets = (0, 1, 1, 0) ===
Epoch 1 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 1 Iterationen zurückzusetzen.
Anzahl der Versuche: 1
Epoch 2 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 2 Iterationen zurückzusetzen.
Anzahl der Versuche: 2
Epoch 3 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 3 Iterationen zurückzusetzen.
Anzahl der Versuche: 3
Epoch 4 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 4 Iterationen zurückzusetzen.
Anzahl der Versuche: 4
Epoch 5 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 5 Iterationen zurückzusetzen.
Anzahl der Versuche: 5
Das Netzwerk hat Wahrheitstabelle 7 nach 5 Iterationen nicht korrekt gelernt.
Erhöhe den Bias und versuche es erneut.
Versuch mit Bias 0.1:
Total Iterationen: 1
Startgewichte: [1.58623674 0.41602749]
Endgewichte: [1.0819501  1.09762419]
Endgültiger Bias: 0.1

Das Netzwerk hat Wahrheitstabelle 7 erfolgreich gelernt!
Startgewichte: [1.58623674 0.41602749]
Endgewichte: [1.0819501  1.09762419]
Endgültiger Bias: 0.1

=== Wahrheitstabelle 8: Targets = (0, 1, 1, 1) ===
Epoch 1 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 1 Iterationen zurückzusetzen.
Anzahl der Versuche: 1
Epoch 2 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 2 Iterationen zurückzusetzen.
Anzahl der Versuche: 2
Epoch 3 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 3 Iterationen zurückzusetzen.
Anzahl der Versuche: 3
Epoch 4 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 4 Iterationen zurückzusetzen.
Anzahl der Versuche: 4
Epoch 5 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 5 Iterationen zurückzusetzen.
Anzahl der Versuche: 5
Das Netzwerk hat Wahrheitstabelle 8 nach 5 Iterationen nicht korrekt gelernt.
Erhöhe den Bias und versuche es erneut.
Versuch mit Bias 0.1:
Versuch mit Bias 0.2:
Versuch mit Bias 0.30000000000000004:
Versuch mit Bias 0.4:
Versuch mit Bias 0.5:
Total Iterationen: 239
Startgewichte: [0.37340073 0.62158332]
Endgewichte: [0.30974082 0.32163277]
Endgültiger Bias: 0.5

Das Netzwerk hat Wahrheitstabelle 8 erfolgreich gelernt!
Startgewichte: [0.37340073 0.62158332]
Endgewichte: [0.30974082 0.32163277]
Endgültiger Bias: 0.5

=== Wahrheitstabelle 9: Targets = (1, 0, 0, 0) ===
Epoch 1 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 1 Iterationen zurückzusetzen.
Anzahl der Versuche: 1
Epoch 2 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 2 Iterationen zurückzusetzen.
Anzahl der Versuche: 2
Epoch 3 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 3 Iterationen zurückzusetzen.
Anzahl der Versuche: 3
Epoch 4 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 4 Iterationen zurückzusetzen.
Anzahl der Versuche: 4
Epoch 5 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 5 Iterationen zurückzusetzen.
Anzahl der Versuche: 5
Das Netzwerk hat Wahrheitstabelle 9 nach 5 Iterationen nicht korrekt gelernt.
Erhöhe den Bias und versuche es erneut.
Versuch mit Bias 0.1:
Versuch mit Bias 0.2:
Versuch mit Bias 0.30000000000000004:
Versuch mit Bias 0.4:
Versuch mit Bias 0.5:
Versuch mit Bias 0.6:
Versuch mit Bias 0.7000000000000001:
Versuch mit Bias 0.8:
Versuch mit Bias 0.9:
Total Iterationen: 2
Startgewichte: [0.81022713 1.78846317]
Endgewichte: [1.13534429 1.92659718]
Endgültiger Bias: 0.9

Das Netzwerk hat Wahrheitstabelle 9 erfolgreich gelernt!
Startgewichte: [0.81022713 1.78846317]
Endgewichte: [1.13534429 1.92659718]
Endgültiger Bias: 0.9

=== Wahrheitstabelle 10: Targets = (1, 0, 0, 1) ===
Epoch 1 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 1 Iterationen zurückzusetzen.
Anzahl der Versuche: 1
Epoch 2 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 2 Iterationen zurückzusetzen.
Anzahl der Versuche: 2
Epoch 3 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 3 Iterationen zurückzusetzen.
Anzahl der Versuche: 3
Epoch 4 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 4 Iterationen zurückzusetzen.
Anzahl der Versuche: 4
Epoch 5 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 5 Iterationen zurückzusetzen.
Anzahl der Versuche: 5
Das Netzwerk hat Wahrheitstabelle 10 nach 5 Iterationen nicht korrekt gelernt.
Erhöhe den Bias und versuche es erneut.
Versuch mit Bias 0.1:
Versuch mit Bias 0.2:
Versuch mit Bias 0.30000000000000004:
Versuch mit Bias 0.4:
Versuch mit Bias 0.5:
Versuch mit Bias 0.6:
Versuch mit Bias 0.7000000000000001:
Versuch mit Bias 0.8:
Versuch mit Bias 0.9:
Erhöhe den Bias bis zum maximalen Wert und versuche es dann mit abnehmendem Bias.
Versuch mit Bias 0.9:
Versuch mit Bias 0.8:
Versuch mit Bias 0.7000000000000001:
Versuch mit Bias 0.6000000000000001:
Versuch mit Bias 0.5000000000000001:
Versuch mit Bias 0.40000000000000013:
Versuch mit Bias 0.30000000000000016:
Versuch mit Bias 0.20000000000000018:
Versuch mit Bias 0.1000000000000002:
Versuch mit Bias 2.220446049250313e-16:
Total Iterationen: 500
Startgewichte: [0.92254999 1.1118066 ]
Endgewichte: None
Endgültiger Bias: 2.220446049250313e-16

=== Wahrheitstabelle 11: Targets = (1, 0, 1, 0) ===
Epoch 1 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 1 Iterationen zurückzusetzen.
Anzahl der Versuche: 1
Epoch 2 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 2 Iterationen zurückzusetzen.
Anzahl der Versuche: 2
Epoch 3 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 3 Iterationen zurückzusetzen.
Anzahl der Versuche: 3
Epoch 4 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 4 Iterationen zurückzusetzen.
Anzahl der Versuche: 4
Epoch 5 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 5 Iterationen zurückzusetzen.
Anzahl der Versuche: 5
Das Netzwerk hat Wahrheitstabelle 11 nach 5 Iterationen nicht korrekt gelernt.
Erhöhe den Bias und versuche es erneut.
Versuch mit Bias 0.1:
Versuch mit Bias 0.2:
Versuch mit Bias 0.30000000000000004:
Versuch mit Bias 0.4:
Versuch mit Bias 0.5:
Versuch mit Bias 0.6:
Versuch mit Bias 0.7000000000000001:
Versuch mit Bias 0.8:
Versuch mit Bias 0.9:
Total Iterationen: 1
Startgewichte: [0.67825903 0.01861822]
Endgewichte: [0.26236557 1.72656812]
Endgültiger Bias: 0.9

Das Netzwerk hat Wahrheitstabelle 11 erfolgreich gelernt!
Startgewichte: [0.67825903 0.01861822]
Endgewichte: [0.26236557 1.72656812]
Endgültiger Bias: 0.9

=== Wahrheitstabelle 12: Targets = (1, 0, 1, 1) ===
Epoch 1 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 1 Iterationen zurückzusetzen.
Anzahl der Versuche: 1
Epoch 2 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 2 Iterationen zurückzusetzen.
Anzahl der Versuche: 2
Epoch 3 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 3 Iterationen zurückzusetzen.
Anzahl der Versuche: 3
Epoch 4 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 4 Iterationen zurückzusetzen.
Anzahl der Versuche: 4
Epoch 5 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 5 Iterationen zurückzusetzen.
Anzahl der Versuche: 5
Das Netzwerk hat Wahrheitstabelle 12 nach 5 Iterationen nicht korrekt gelernt.
Erhöhe den Bias und versuche es erneut.
Versuch mit Bias 0.1:
Versuch mit Bias 0.2:
Versuch mit Bias 0.30000000000000004:
Versuch mit Bias 0.4:
Versuch mit Bias 0.5:
Versuch mit Bias 0.6:
Versuch mit Bias 0.7000000000000001:
Versuch mit Bias 0.8:
Versuch mit Bias 0.9:
Erhöhe den Bias bis zum maximalen Wert und versuche es dann mit abnehmendem Bias.
Versuch mit Bias 0.9:
Versuch mit Bias 0.8:
Versuch mit Bias 0.7000000000000001:
Versuch mit Bias 0.6000000000000001:
Versuch mit Bias 0.5000000000000001:
Versuch mit Bias 0.40000000000000013:
Versuch mit Bias 0.30000000000000016:
Versuch mit Bias 0.20000000000000018:
Versuch mit Bias 0.1000000000000002:
Versuch mit Bias 2.220446049250313e-16:
Total Iterationen: 500
Startgewichte: [0.53629204 0.79661354]
Endgewichte: None
Endgültiger Bias: 2.220446049250313e-16

=== Wahrheitstabelle 13: Targets = (1, 1, 0, 0) ===
Epoch 1 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 1 Iterationen zurückzusetzen.
Anzahl der Versuche: 1
Epoch 2 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 2 Iterationen zurückzusetzen.
Anzahl der Versuche: 2
Epoch 3 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 3 Iterationen zurückzusetzen.
Anzahl der Versuche: 3
Epoch 4 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 4 Iterationen zurückzusetzen.
Anzahl der Versuche: 4
Epoch 5 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 5 Iterationen zurückzusetzen.
Anzahl der Versuche: 5
Das Netzwerk hat Wahrheitstabelle 13 nach 5 Iterationen nicht korrekt gelernt.
Erhöhe den Bias und versuche es erneut.
Versuch mit Bias 0.1:
Versuch mit Bias 0.2:
Versuch mit Bias 0.30000000000000004:
Versuch mit Bias 0.4:
Versuch mit Bias 0.5:
Versuch mit Bias 0.6:
Versuch mit Bias 0.7000000000000001:
Versuch mit Bias 0.8:
Versuch mit Bias 0.9:
Total Iterationen: 3
Startgewichte: [0.9755185  1.21688888]
Endgewichte: [1.24877981 0.23343989]
Endgültiger Bias: 0.9

Das Netzwerk hat Wahrheitstabelle 13 erfolgreich gelernt!
Startgewichte: [0.9755185  1.21688888]
Endgewichte: [1.24877981 0.23343989]
Endgültiger Bias: 0.9

=== Wahrheitstabelle 14: Targets = (1, 1, 0, 1) ===
Epoch 1 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 1 Iterationen zurückzusetzen.
Anzahl der Versuche: 1
Epoch 2 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 2 Iterationen zurückzusetzen.
Anzahl der Versuche: 2
Epoch 3 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 3 Iterationen zurückzusetzen.
Anzahl der Versuche: 3
Epoch 4 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 4 Iterationen zurückzusetzen.
Anzahl der Versuche: 4
Epoch 5 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 5 Iterationen zurückzusetzen.
Anzahl der Versuche: 5
Das Netzwerk hat Wahrheitstabelle 14 nach 5 Iterationen nicht korrekt gelernt.
Erhöhe den Bias und versuche es erneut.
Versuch mit Bias 0.1:
Versuch mit Bias 0.2:
Versuch mit Bias 0.30000000000000004:
Versuch mit Bias 0.4:
Versuch mit Bias 0.5:
Versuch mit Bias 0.6:
Versuch mit Bias 0.7000000000000001:
Versuch mit Bias 0.8:
Versuch mit Bias 0.9:
Erhöhe den Bias bis zum maximalen Wert und versuche es dann mit abnehmendem Bias.
Versuch mit Bias 0.9:
Versuch mit Bias 0.8:
Versuch mit Bias 0.7000000000000001:
Versuch mit Bias 0.6000000000000001:
Versuch mit Bias 0.5000000000000001:
Versuch mit Bias 0.40000000000000013:
Versuch mit Bias 0.30000000000000016:
Versuch mit Bias 0.20000000000000018:
Versuch mit Bias 0.1000000000000002:
Versuch mit Bias 2.220446049250313e-16:
Total Iterationen: 500
Startgewichte: [1.3309906  1.52876976]
Endgewichte: None
Endgültiger Bias: 2.220446049250313e-16

=== Wahrheitstabelle 15: Targets = (1, 1, 1, 0) ===
Epoch 1 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 1 Iterationen zurückzusetzen.
Anzahl der Versuche: 1
Epoch 2 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 2 Iterationen zurückzusetzen.
Anzahl der Versuche: 2
Epoch 3 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 3 Iterationen zurückzusetzen.
Anzahl der Versuche: 3
Epoch 4 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 4 Iterationen zurückzusetzen.
Anzahl der Versuche: 4
Epoch 5 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 5 Iterationen zurückzusetzen.
Anzahl der Versuche: 5
Das Netzwerk hat Wahrheitstabelle 15 nach 5 Iterationen nicht korrekt gelernt.
Erhöhe den Bias und versuche es erneut.
Versuch mit Bias 0.1:
Versuch mit Bias 0.2:
Versuch mit Bias 0.30000000000000004:
Versuch mit Bias 0.4:
Versuch mit Bias 0.5:
Versuch mit Bias 0.6:
Versuch mit Bias 0.7000000000000001:
Versuch mit Bias 0.8:
Versuch mit Bias 0.9:
Total Iterationen: 53
Startgewichte: [0.53610832 0.26751881]
Endgewichte: [0.13932304 0.248664  ]
Endgültiger Bias: 0.9

Das Netzwerk hat Wahrheitstabelle 15 erfolgreich gelernt!
Startgewichte: [0.53610832 0.26751881]
Endgewichte: [0.13932304 0.248664  ]
Endgültiger Bias: 0.9

=== Wahrheitstabelle 16: Targets = (1, 1, 1, 1) ===
Epoch 1 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 1 Iterationen zurückzusetzen.
Anzahl der Versuche: 1
Epoch 2 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 2 Iterationen zurückzusetzen.
Anzahl der Versuche: 2
Epoch 3 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 3 Iterationen zurückzusetzen.
Anzahl der Versuche: 3
Epoch 4 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 4 Iterationen zurückzusetzen.
Anzahl der Versuche: 4
Epoch 5 konnte die Tabelle nicht korrekt lernen.
Versuche, die Gewichte nach 5 Iterationen zurückzusetzen.
Anzahl der Versuche: 5
Das Netzwerk hat Wahrheitstabelle 16 nach 5 Iterationen nicht korrekt gelernt.
Erhöhe den Bias und versuche es erneut.
Versuch mit Bias 0.1:
Versuch mit Bias 0.2:
Versuch mit Bias 0.30000000000000004:
Versuch mit Bias 0.4:
Versuch mit Bias 0.5:
Versuch mit Bias 0.6:
Versuch mit Bias 0.7000000000000001:
Versuch mit Bias 0.8:
Versuch mit Bias 0.9:
Total Iterationen: 28
Startgewichte: [1.1061777 1.0744455]
Endgewichte: [0.01778971 0.05826865]
Endgültiger Bias: 0.9

Das Netzwerk hat Wahrheitstabelle 16 erfolgreich gelernt!
Startgewichte: [1.1061777 1.0744455]
Endgewichte: [0.01778971 0.05826865]
Endgültiger Bias: 0.9
https://ideone.com/17wCdJ
language:
Python 3 (python  3.9.5)
created:
9 hours 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!