تدريب Perceptron
- قم بإنشاء كائن Perceptron
- أنشئ وظيفة تدريبية
- تدريب المدرك على الإجابات المطلوبة
مهمة تدريبية
تخيل خطًا مستقيمًا في فراغ به نقاط س ص متناثرة.
تدريب مدرك لتصنيف النقاط فوق وتحت الخط.
قم بإنشاء كائن Perceptron
قم بإنشاء كائن Perceptron. سمها بأي شيء (مثل Perceptron).
دع المستشعر يقبل معلمتين:
- عدد المدخلات (لا)
- معدل التعلم (LearningRate).
اضبط معدل التعلم الافتراضي على 0.00001.
ثم أنشئ أوزانًا عشوائية بين -1 و 1 لكل إدخال.
مثال
// Perceptron Object
function Perceptron(no, learningRate = 0.00001) {
// Set Initial Values
this.learnc = learningRate;
this.bias = 1;
// Compute Random Weights
this.weights = [];
for (let i = 0; i <= no; i++) {
this.weights[i] = Math.random() * 2 - 1;
}
// End Perceptron Object
}
الأوزان العشوائية
سيبدأ Perceptron بوزن عشوائي لكل إدخال.
معدل التعلم
لكل خطأ ، أثناء تدريب Perceptron ، سيتم تعديل الأوزان بجزء صغير.
هذا الجزء الصغير هو " معدل تعلم Perceptron ".
في كائن Perceptron نسميه Learnc .
التحيز
في بعض الأحيان ، إذا كان كلا المُدخلين صفراً ، فقد ينتج المُدرك المُستقبِل ناتجًا صحيحًا.
لتجنب ذلك ، نعطي الإدراك الحسي مدخلاً إضافيًا بقيمة 1.
هذا يسمى التحيز .
أضف وظيفة تنشيط
تذكر خوارزمية الإدراك الحسي:
- اضرب كل إدخال بأوزان المستشعر
- لخص النتائج
- احسب النتيجة
مثال
this.activate = function(inputs) {
let sum = 0;
for (let i = 0; i < inputs.length; i++) {
sum += inputs[i] * this.weights[i];
}
if (sum > 0) {return 1} else {return 0}
}
ستخرج وظيفة التنشيط:
- 1 إذا كان المجموع أكبر من 0
- 0 إذا كان المجموع أقل من 0
قم بإنشاء وظيفة تدريبية
تقوم وظيفة التدريب بتخمين النتيجة بناءً على وظيفة التنشيط.
في كل مرة يكون التخمين خاطئًا ، يجب على المستدعي ضبط الأوزان.
بعد العديد من التخمينات والتعديلات ، ستكون الأوزان صحيحة.
مثال
this.train = function(inputs, desired) {
inputs.push(this.bias);
let guess = this.activate(inputs);
let error = desired - guess;
if (error != 0) {
for (let i = 0; i < inputs.length; i++) {
this.weights[i] += this.learnc * error * inputs[i];
}
}
}
التكاثر العكسي
بعد كل تخمين ، يحسب المدرك مدى خطأ التخمين.
إذا كان التخمين خاطئًا ، يقوم المستدعي بضبط التحيز والأوزان بحيث يكون التخمين أكثر دقة في المرة القادمة.
هذا النوع من التعلم يسمى backpropagation .
بعد المحاولة (عدة آلاف من المرات) ، سيصبح إدراكك جيدًا في التخمين.
قم بإنشاء مكتبتك الخاصة
كود المكتبة
// Perceptron Object
function Perceptron(no, learningRate = 0.00001) {
// Set Initial Values
this.learnc = learningRate;
this.bias = 1;
// Compute Random Weights
this.weights = [];
for (let i = 0; i <= no; i++) {
this.weights[i] = Math.random() * 2 - 1;
}
// Activate Function
this.activate = function(inputs) {
let sum = 0;
for (let i = 0; i < inputs.length; i++) {
sum += inputs[i] * this.weights[i];
}
if (sum > 0) {return 1} else {return 0}
}
// Train Function
this.train = function(inputs, desired) {
inputs.push(this.bias);
let guess = this.activate(inputs);
let error = desired - guess;
if (error != 0) {
for (let i = 0; i < inputs.length; i++) {
this.weights[i] += this.learnc * error * inputs[i];
}
}
}
// End Perceptron Object
}
يمكنك الآن تضمين المكتبة بتنسيق HTML:
<script src="myperceptron.js"></script>
استخدم مكتبتك
مثال
// Initiate Values
const numPoints = 500;
const learningRate = 0.00001;
// Create a Plotter
const plotter = new XYPlotter("myCanvas");
plotter.transformXY();
const xMax = plotter.xMax;
const yMax = plotter.yMax;
const xMin = plotter.xMin;
const yMin = plotter.yMin;
// Create Random XY Points
const xPoints = [];
const yPoints = [];
for (let i = 0; i < numPoints; i++) {
xPoints[i] = Math.random() * xMax;
yPoints[i] = Math.random() * yMax;
}
// Line Function
function f(x) {
return x * 1.2 + 50;
}
//Plot the Line
plotter.plotLine(xMin, f(xMin), xMax, f(xMax), "black");
// Compute Desired Answers
const desired = [];
for (let i = 0; i < numPoints; i++) {
desired[i] = 0;
if (yPoints[i] > f(xPoints[i])) {desired[i] = 1}
}
// Create a Perceptron
const ptron = new Perceptron(2, learningRate);
// Train the Perceptron
for (let j = 0; j <= 10000; j++) {
for (let i = 0; i < numPoints; i++) {
ptron.train([xPoints[i], yPoints[i]], desired[i]);
}
}
// Display the Result
for (let i = 0; i < numPoints; i++) {
const x = xPoints[i];
const y = yPoints[i];
let guess = ptron.activate([x, y, ptron.bias]);
let color = "black";
if (guess == 0) color = "blue";
plotter.plotPoint(x, y, color);
}