kostenloser Webspace werbefrei: lima-city

in: Sprite Animation fehlerhaft

geschrieben von thecoody

animation: play 3s steps(10) infinite;

in: Logikgatter durch Machine Learning simulieren

geschrieben von thecoody

in: Logikgatter durch Machine Learning simulieren

geschrieben von thecoody

# Program to mimic a logic gate (XOR, NAND, AND, ...)

# Import packages
import numpy as np 
import matplotlib.pyplot as plt


# Define class
class LogicGate:
	def __init__(self):
		self.initializeRandom()

	# Class to initialize the weights and biases randomly with numbers in the range of [-1, 1]
	def initializeRandom(self):
		self.w11 = 2 * np.random.rand() - 1
		self.w12 = 2 * np.random.rand() - 1
		self.w21 = 2 * np.random.rand() - 1
		self.w22 = 2 * np.random.rand() - 1
		self.w31 = 2 * np.random.rand() - 1
		self.w32 = 2 * np.random.rand() - 1

		self.b1 = 2 * np.random.rand() - 1
		self.b2 = 2 * np.random.rand() - 1		

		self.b3 = 2 * np.random.rand() - 1

		# Print weights and biases:
		print(f"Weights\nw_11 = {self.w11}\nw_21 = {self.w21}\nw_13 = {self.w12}\nw_22 = {self.w22}\nLayer 2\nw_31 = {self.w31}\nw_32 = {self.w32}\n")
		print(f"Biases\nb_1 = {self.b1}\nb_2 = {self.b2}\nb3 = {self.b3}")



	# Define the sigmoid function given
	def sigmoid (self, x):
	    return 1/(1 + np.exp(-x)) 

	#Define the derivative of the sigmoid
	def sigmoid_derivative(self, x):
	    return  self.sigmoid(x) * (1 - self.sigmoid(x)) 


	# Function to test a set of two given inputs e.g [0, 0] or [1, 0] etc. 
	def test(self, input1, input2, predict = False):

		# Calculate the value of the neurons 1 and 2
		neuron1 = self.w11 * input1 + self.w21 * input2 + self.b1
		neuron2 = self.w12 * input1 + self.w22 * input2 + self.b2
		
		# Calculate the activation of the neurons 1 and 2
		neuron1_activation = self.sigmoid(neuron1)
		neuron2_activation = self.sigmoid(neuron2)

		# Caltulate the neuron 3 and it's activation which is also the output of the network
		neuron3 = self.w31 * neuron1_activation + self.w32 * neuron2_activation + self.b3
		neuron3_activation = self.sigmoid(neuron3)

		if predict:
			return neuron3_activation
		else:
			return neuron3_activation, neuron1, neuron2, neuron3



	# Function to train the network 
	def train(self, epochs, learning_rate, inputs, expected_outputs):
		self.initializeRandom()
		errors = []
		weights = []
		biases = []

		
			
		for i in range(epochs):

			# Start with input 1, 2, 3, 4 and begin again to train for 1, 2.... 
			rand = i % 4

			input1 = inputs[rand][0]
			input2 = inputs[rand][1]
			expected_output = expected_outputs[rand][0]

			neuron3_activation, neuron1, neuron2, neuron3 = XOR.test(input1, input2)

			# Backpropatation
			e3 = (expected_output - neuron3_activation)
			
			e1 = self.w31 / (self.w31 + self.w32) * e3
			e2 = self.w32 / (self.w31 + self.w32) * e3

			# Adjusting weights and biases
			self.w31 += learning_rate * e3 * self.sigmoid_derivative(neuron3) * neuron1
			self.w32 += learning_rate * e3 * self.sigmoid_derivative(neuron3) * neuron2
			self.w11 += learning_rate * e1 * self.sigmoid_derivative(neuron1) * input1 
			self.w21 += learning_rate * e1 * self.sigmoid_derivative(neuron1) * input2 
			self.w12 += learning_rate * e2 * self.sigmoid_derivative(neuron2) * input1 
			self.w22 += learning_rate * e2 * self.sigmoid_derivative(neuron2) * input2


			self.b3 += learning_rate * e3 * self.sigmoid_derivative(neuron3)
			self.b2 += learning_rate * e2 * self.sigmoid_derivative(neuron2)
			self.b1 += learning_rate * e1 * self.sigmoid_derivative(neuron1)


			# Only important for graphical representation
			errors.append(e3)

			biases.append(self.b1)
			biases.append(self.b2)
			biases.append(self.b3)

			weights.append(self.w11)
			weights.append(self.w12)
			weights.append(self.w21)
			weights.append(self.w22)
			weights.append(self.w31)
			weights.append(self.w32)



		# Plot of the weights and biases
		x_axis = np.linspace(0, int(epochs), int(epochs))
		
		fig = plt.figure(figsize=(16, 9))
		s1 = plt.subplot(311)
		s2 = plt.subplot(312)
		s3 = plt.subplot(313)


		s1.plot(x_axis, biases[0::3], "o", label="Bias b1")
		s1.plot(x_axis, biases[1::3], "o", label="Bias b2")
		s1.plot(x_axis, biases[2::3], "o", label="Bias b3")

		s2.plot(x_axis, weights[0::6], "o", label="Weights w11")
		s2.plot(x_axis, weights[1::6], "o", label="Weights w21")
		s2.plot(x_axis, weights[2::6], "o", label="Weights w12")
		s2.plot(x_axis, weights[3::6], "o", label="Weights w22")
		s2.plot(x_axis, weights[4::6], "o", label="Weights w31")
		s2.plot(x_axis, weights[5::6], "o", label="Weights w32")

		s3.plot(np.linspace(0, epochs, int(epochs)), errors, label="Errors")

		s1.legend()
		s2.legend()
		s3.legend()
		

		return errors





# Input datasets

# XOR Gate
inputs_XOR = np.array([[0,0],[0,1],[1,0],[1,1]])
expected_outputs_XOR = np.array([[0],[1],[1],[0]])

# NAND Gate
inputs_NAND = np.array([[0,0],[0,1],[1,0],[1,1]])
expected_outputs_NAND = np.array([[1],[1],[1],[0]])


# Parameter settings
epochs = 140000
learning_rate = 0.01



# XOR Gate
XOR = LogicGate()


errors = XOR.train(epochs, learning_rate, inputs_XOR, expected_outputs_XOR)

print(f"Test[0, 0] -> 0 = {XOR.test(0, 0, predict=True)}")
print(f"Test[0, 1] -> 1 = {XOR.test(0, 1, predict=True)}")
print(f"Test[1, 0] -> 1 = {XOR.test(1, 0, predict=True)}")
print(f"Test[1, 1] -> 0 = {XOR.test(1, 1, predict=True)}")

plt.show()


# NAND Gate
NAND = LogicGate()


errors = NAND.train(epochs, learning_rate, inputs_NAND, expected_outputs_NAND)

print(f"Test[0, 0] -> 1 = {NAND.test(0, 0, predict=True)}")
print(f"Test[0, 1] -> 1 = {NAND.test(0, 1, predict=True)}")
print(f"Test[1, 0] -> 1 = {NAND.test(1, 0, predict=True)}")
print(f"Test[1, 1] -> 0 = {NAND.test(1, 1, predict=True)}")

plt.show()

in: VBA in Excel finden

geschrieben von thecoody

in: VBA in Excel finden

geschrieben von thecoody

in: Fehlermeldung von Windows 10

geschrieben von thecoody

in: Fehlermeldung von Windows 10

geschrieben von thecoody

in: Privatsphäre im Internet?

geschrieben von thecoody

in: Privatsphäre im Internet?

geschrieben von thecoody

in: HDMI-Verteiler - 1x in, 2x out

geschrieben von thecoody

in: Privatsphäre im Internet?

geschrieben von thecoody

in: Privatsphäre im Internet?

geschrieben von thecoody

in: Animiertes Bild/Intro als .GIF möglich?

geschrieben von thecoody

in: Privatsphäre im Internet?

geschrieben von thecoody

in: Listening comprehention - Abitur Niedersachsen

geschrieben von thecoody

in: Listening comprehention - Abitur Niedersachsen

geschrieben von thecoody

in: Grundkurs Java

geschrieben von thecoody

in: Cloud System - aber welches?

geschrieben von thecoody

in: Cloud System - aber welches?

geschrieben von thecoody

Wieso Cloud und nicht ext. Festplatte?

in: Handykamera stellt nicht richtig scharf

geschrieben von thecoody

in: Cloud System - aber welches?

geschrieben von thecoody

in: Cloud System - aber welches?

geschrieben von thecoody

in: Handykamera stellt nicht richtig scharf

geschrieben von thecoody

adteam schrieb:
Fotografierst du etwas nahes oder etwas fernes?

Hast du garantie? Meiner Meinung nach liegt ein hardware defekt vor.

in: Handykamera stellt nicht richtig scharf

geschrieben von thecoody

in: Word 2016 Vorlagen sind nicht zu finden

geschrieben von thecoody

in: Word 2016 Vorlagen sind nicht zu finden

geschrieben von thecoody

in: HTML Zoom gleich bleiben lassen

geschrieben von thecoody