|
To’g’ridan-to’g’ri bog’langan ko’p qatlamli SNT
|
| bet | 5/5 | | Sana | 29.01.2024 | | Hajmi | 0,56 Mb. | | #147821 |
Bog'liq 12 Нейрон тўрларининг таснифи ва архитектураси маъруза Mantiqiy funksiyalar. Mantiqiy elementlar reja mantiqiy funktsi, 01.04.02 − Nazariy fizika, Document, 4-ma\'ruza, O’zbekiston respublikasi oliy va o’rta maxsus ta’lim vazirligi bTo’g’ridan-to’g’ri bog’langan ko’p qatlamli SNT
YUqorida aytib o’tilganidek, neyron bir butun sifatida vektor argumentining skalyar funktsiyasini amalga oshiradi. Neyronning matematik modeli:
y = f(s)
bu yerda – sinapsning og’irligi, ; – bias qiymati; – xatoliklar yig’indi; – kirish vektorining komponenti (kirish signali), – neyronning chiqish signali; – neyronning kirish soni; – chiziqli bo’lmagan o’zgarish (faollashtirish funktsiyasi).
Umumiy holda, kirish signali, og’irlik koeffitsiyentlari va haqiqiy qiymatlarni qabul qilishi mumkin va ko’plab amaliy masalalarda faqat ba’zi bir qo’zg’almas qiymatlarni oladi. CHiqish y faollashtirish funktsiyasining shakli bilan aniqlanadi va haqiqiy yoki butun son bo’lishi mumkin.
Musbat og’irliklarga ega bo’lgan sinaptik bog’lanishlar qo’zg’atuvchi, manfiy og’irliklarga ega bo’lganlar esa to’xtatuvchi deb ataladi.
Ta’riflangan hisoblash elementini biologik neyronlarning soddalashtirilgan matematik modeli deb hisoblash mumkin. Biologik va sun’iy neyronlar o’rtasidagi farqni ta’kidlash uchun ular ba’zan neyronga o’xshash elementlar yoki rasmiy neyronlar deb ataladi.
Nochiziqli o’zgartirgich kirish signali (s) ga neytronning chiqish signali f(s) bilan javob beradi.
Pryamoye rasprostraneniye primer
2)
3) 4)
5) 6)
x1
|
x2
|
y
|
1,2
|
1
|
5,04
|
1,6
|
1
|
6,32
|
1,5
|
1
|
6
|
2
|
1
|
7,6
|
1,9
|
1
|
7,28
|
2,5
|
1
|
9,2
|
2,4
|
1
|
8,88
|
2,8
|
1
|
10,16
|
2,5
|
1
|
9,2
|
3
|
1
|
10,8
|
data.xlsx - fayl
import math
import pandas as pd
import matplotlib.pylab as plt
data_combo = pd.read_excel('data.xlsx')
x1 = list(data_combo['x1'])
x2= list(data_combo['x2'])
y= list(data_combo['y'])
yArr = []
w1_1 = w1_2 = w1_3 = w1_4 = w1_5 = w1_6 = 0
w2_1 = w2_2 = w2_3 = 0
b1=b2=b3=b4=0
tetta = 0.01
def sigmoid(y):
return 1/(1+math.exp(-y))
def ubdateWeight(w, d, x):
return w + tetta * d * x
def ubdateBias(b, d):
return b + tetta * d
for epoch in range(1000):
loss = 0
# print(w1_1)
for x_1, x_2, y_act in zip(x1, x2, y):
z1=x_1 * w1_1 + x_2 * w1_2+b1
z2=x_1 * w1_3 + x_2 * w1_4+b2
z3=x_1 * w1_5 + x_2 * w1_6+b3
g1 = sigmoid(z1)
g2 = sigmoid(z2)
g3 = sigmoid(z3)
z4 = g1 * w2_1 + g2 * w2_2 +g3*w2_3+b4
g4 = (z4)
y_pred=g4
Nazorat savolari
To’g’ridan-to’g’ri bog’langan ko’p qatlamli SNT
Zaif tarmoqlar
To’g’ri tarqalish tarmoqlari
To’liq bog’langan neyron tarmoqlar.
|
| |
