Нейронный сети. Эволюция. Каниа Алексеевич Кан

как параметры размеров одежды, предметов, насекомых, веса, стоимости, градусов и любых других. Отобразим наше задание – список с параметрами двух видов животных:

      В дальнейшем все данные, которые надо анализировать при помощи искусственных нейронов и их сетей, будем называть – обучающей выборкой. А процесс изменения коэффициентов, в нашем случае – коэффициент А, в зависимости от функции ошибки на выходе, будем называть – процессом обучения.

      Примем за значение х – длины животных, а Y – высота. Так как Y (игрек большое) – это и есть ответ: Y = Ax, то условимся что он и будет целевым значением для нашего нейрона (правильным ответом), а входными данными будут все значения переменной х.

      Отобразим для лучшего представления входных данных, график обучающей выборки:

      Видно, что наши данные напоминают прямую линию, уравнение которой Y = = 2*x. Данные находятся около значений этой функции, но не повторяют их. Задача нашего нейрон суметь с большой точностью провести эту прямую, несмотря на то, что данные по остальным точкам отсутствуют (например, нет данных о Y координате с точкой с x = 5).

      Cмоделируем такую структуру, для чего подадим на вход нейрона (дендрит у биологического нейрона), значение x, и меняя коэффициент A (синапс у биологического нейрона), по правилам, которые мы вывели с линейным классификатором, будем получать выходные значения нейрона y (аксон у биологического нейрона). Так же условимся, что Y (большое) – правильный ответ (целевое значение), а y (малое) – ответ нейрона (его выход).

      Визуализируем структуру нейрона, которую будем моделировать:

      Запрограммировав в Python эту структуру, попробуем добиться прямой, которая максимально точно разделит входные параметры.

      Программа

      Действовать будем так же, как мы действовали, рассчитывая линейный классификатор.

      Создадим переменную А, являющейся коэффициентом крутизны наклона прямой, и зададим ей любое значение, пусть это будет всё те же А=0.4.

      A = 0.4

      Запомним начальное значение коэффициента А:

      A_vis = A

      Покажем функцию начальной прямой:

      print('Начальная прямая: ', A, '* X')

      Укажем значение скорости обучения:

      lr = 0.001

      Зададим количество эпох:

      epochs = 3000

      Эпоха – значение количества проходов по обучающей выборке. Если в нашей выборке девять наборов, то одна эпоха – это один проход в цикле всех девяти наборов данных.

      Зададим наш набор данных, используя массивы. Создадим два массива. В один массив поместим все входные данные – x, а в другой целевые значения (ответы) – Y.

      Создадим массив входных данных х:

      arr_x = [1, 2, 3, 3.5, 4, 6, 7.5, 8.5, 9]

      Создадим массив целевых значений (ответы Y):

      arr_y = [2.4, 4.5, 5.5, 6.4, 8.5, 11.7, 16.1, 16.5, 18.3]

      Задаем в цикле эпох, вложенный цикл – for i in range(len(arr)), который будет последовательно пробегать по входным данным, от начала до конца. А циклом –