Por: Bruno A. 19 de Fevereiro de 2019
Como construir uma rede neural em python
machine learning
Computação Geral Geral Programação Geral Geral Geral Geral a domicílio Introdução a computação Ensino Médio Curso superior Excel Geral Machine Learning Inteligência Artificial GeralEncontre um professor e combine aulas particulares Presenciais ou Online
VAmos construir uma rede neural de 3 camadas.
a camada 1 é o input com 3 neuronios
a camada 2 é um hidden layer com 4 neuronios
a camada 3 é a saida com 1 neuronio
Vamos colocar 4 diferentes inputs e aproximar 60.000 vezes com uma geração!
import numpy as np #rede neuronal 3 x 5 x 2 def sigmoide(x, derivada): if(derivada): return x*(1-x) return 1/(1+np.exp(-x)) #input data #X=np.array([[0,0,1],[0,1,1],[1,0,1],[1,1,1]]) X=np.array([[1669631,2105841,2821997],[2105841,2821997,2288713],[2821997,2288713,2250142],[2288713,2250142,3053129]]) #X=(X-1634380)/1634380 #output Y=np.array([[2288713],[2250142],[3053129],[208252]]) #Y=(Y-1634380)/1634380 np.random.seed(1) # matrizes de synapse syn0= 2* np.random.random((3,4))-1 syn1= 2* np.random.random((4,1))-1 #traning code for j in range(60000): camada0=X camada1=sigmoide(np.dot(camada0,syn0),False) camada2=sigmoide(np.dot(camada1,syn1),False) camada2_erro=Y-camada2 if(j%10000)==0: print("error:"+str(np.mean(np.abs(camada2_erro)))) #backpropagation l2_delta=camada2_erro * sigmoide(camada2,True) l1_error=l2_delta.dot(syn1.T) l1_delta=l1_error* sigmoide(camada1,True) #atualizar pesos gradient descent syn1+=camada1.T.dot(l2_delta) syn0+=camada0.T.dot(l1_delta) print("Valor previsto") camada1=sigmoide(np.dot(camada0,syn0),False) camada2=sigmoide(np.dot(camada1,syn1),False) print((camada2.T.dot(syn1)*1634380)+1634380)
R$ 40 / h
Bruno A.
4,6
(19 avaliações)
16
horas
de aula
22
tarefas
resolvidas
Identidade verificada
- CPF verificado
- E-mail verificado
1ª hora grátis
Curso Livre:
Python for Data Science
(UCSanDiegoX: DSE200x )
Quer aprender de forma simples, um conteudo de qualidade com satisfação garantida?Está no lugar certo!Bem vindo!
8
seguidores
Seguir blog
Cadastre-se
ou faça o login para comentar nessa publicação.