perceptron

    1熱度

    1回答

    感知器在給定密集格式的矩陣時,與給出稀疏格式的相同矩陣相比,給出了不同的結果。我認爲這可能是一個混亂的問題,所以我使用cross_validate從sklearn.model_selection運行交叉驗證,但沒有運氣。 討論了一個類似的問題here。但是有一些理由。這裏有任何理由嗎? 僅供參考,我使用感知與參數是: penalty='l2', alpha=0.0001, fit_intercep

    0熱度

    1回答

    我正在學習一點ML,並且在我腦海中留下了一些問號,特別是關於感知器。所以例如我問: 1)我們可以看到b的偏差和權重作爲我們的線性分隔符的係數嗎?僅當我們在2D線性分隔符是線時纔有效? 2)我們的目標是創建一條線,以精確劃分我們訓練數據中的數據點嗎?意味着,在學習階段結束時,該算法「發現」了(如果我們是2D的話)最能區分這兩種點的線。發生這種情況是因爲訓練數據中有正確的標籤y,算法可以找到真實標籤和

    1熱度

    1回答

    我最近實現了一個簡單的感知器。這種類型的感知器(僅由一個神經元組成,在輸出中給出二進制信息)只能解決類可以線性分離的問題。 我想在8乘8像素的圖像中實現簡單的形狀識別。我想舉個例子,我的神經網絡能夠告訴我,我繪製的是一個圓或不是。 如何知道這個問題是否有線性可分類?由於有64個輸入,它仍然可以線性分離嗎?一個簡單的感知器能解決這種問題嗎?如果不是,什麼樣的感知器可以?我對此有點困惑。 謝謝!

    1熱度

    1回答

    我正在實現一個簡單的感知器用於在Python中對OR函數進行分類。但是錯誤不會交談。任何建議將不勝感激。 def activation_function(x): if x<0: return 0 else: return 1 training_set = [((0, 0), 0), ((0, 1), 1), ((1, 0), 1), ((1, 1),

    1熱度

    1回答

    我一直在試圖讓下面的神經網絡工作,作爲一個簡單的AND門,但它似乎並沒有工作。以下是我的代碼: import numpy as np def sigmoid(x,derivative=False): if(derivative==True): return x*(1-x) return 1/(1+np.exp(-x)) np.random.seed(1)

    0熱度

    1回答

    import numpy as np import pandas as pd import matplotlib.pyplot as plt class Perceptron(object): def __init__(self, eta=0.01, n_iter=10): self.eta = eta self.n_iter = n_iter

    0熱度

    1回答

    我已經實現了這個簡單的模型來學習神經網絡,它訓練良好,並給出了最初給出的輸出。 這就是我在XOR功能識別的例子中的一種損失,我希望能夠測試它,而不是訓練它。似乎所有在線閱讀都是關於訓練,然後在那裏停下來。 這是否意味着對於每個新輸入模型都必須重新計算和訓練整個集合?與權重有什麼關係?您將如何繼續將模型運行爲「現場」並將新的輸入作爲其現場反饋的一部分以及正在進行的經常性培訓? 感謝 import n

    2熱度

    2回答

    我是AI界的新手,嘗試一些練習。 看起來我需要一些第三方體驗。 比方說,我需要擺脫圖像缺陷(實際上任務更棘手)。 我希望受過訓練的NN能夠插入缺陷區域。 由於這些原因,我嘗試創建簡單的神經網絡。 它有輸入:具有deffect(72 * 54)的灰度圖像和沒有缺陷的相同圖像。 隱藏層有2 * 72 * 54個神經元。 的代碼主片 cv::Ptr<cv::ml::ANN_MLP> ann = cv::

    -2熱度

    1回答

    從概念上講,兩人說話都不一樣。仍然存在混淆。讓我總結一下我的理解,請教育我。這兩者之間存在微小的區別因素。 1)特定感知器的權重/偏差的微小變化會大大地使其他感知器的行爲有所不同,認爲改變後的感知器能夠正確執行? 2)感知器的小變化可以產生不同的輸出。 3)如上所述,S形神經元就是一個很好的例子,它可以對微小的重量/偏差變化做出微小的輸出變化。 4)感知器輸出0或1,而神經元(例如:sigmoid

    1熱度

    1回答

    我正試圖爲基本布爾表達式實現一個簡單的感知器。但我無法正確訓練NOT感知器。 我是能夠成功地TRAINE的AND和OR感知到給定輸入集返回正確的價值觀。但是當我嘗試訓練不是。 這就是我正在做它: 的AND和OR感知器有兩個輸入,兩個權重和一個偏置(固定到偏置輸入)。 所有感知器始於全部重量。 然後我生成隨機值(介於0和1之間)來訓練感知器,並將其保持在一個循環中,直到我得到10個正確的猜測。 他們