XOR 연산자처럼 작동해야하는 프로그램에서 작업 중입니다.인공 지능 (신경망) - 실제 출력이 올바른 출력에 도달하지 않음
가중치를 조정하기 위해 배경을 사용합니다.
나는 또한 깊은 학습 (거의 동일한 방식으로 잘 작동 함, 여기서는 같은 투쟁)을 포함 시켰지 만, 중요하지 않아야합니다. (
if(hiddenNeurons.size() > 1)
{
.....
}
같은 경우-조항이있는 경우 여러 숨겨진 뉴런을 사용할 때 중요성에서 인 경우이 단지 코드가보다. (이 질문이 아닌 경우)에 어떤)
투쟁 : 결과는 입력이 무엇이든 관계없이 거의 항상 동일합니다 (약 0.5).
가중치와 바이어스가 조정됩니다. 여기
코드입니다 (더 많은 것이 있지만, 다른 코드는 중요한 것이 아닌) :public void learnFromData(int iterations) //this method learns from the ArrayList 'inputs' and 'outputs'
{
if(inputs.size() == outputs.size())
{
//Collections.shuffle(inputs);
for(int j = 0;j<iterations;j++)
{
for(int i = 0;i<inputs.size();i++)
{
double actualOutput = computeOutput(inputs.get(i))[0];
double expectedOutput = outputs.get(i)[0];
//System.out.println(String.format("Input: %.3f /\\ Ouput: %.4f Expected: %.4f",inputs.get(i)[0], actualOutput, expectedOutput));
double error = 0;
if (actualOutput > expectedOutput) {
error = actualOutput - expectedOutput;
} else {
error = expectedOutput - actualOutput;
}
if(i == 0){
System.out.println(String.format("Error: %.10f", error));}
learn(outputs.get(i));
}
}
}
else{
System.out.println("\nERROR: the number of inputs and outputs have to match!\n");
}
}
public double[] computeOutput(double[] inputValues)
{
for(int i = 0;i<inputValues.length;i++) //giving the inputNeurons a value
{
inputNeurons[i] = inputValues[i];
}
for(int i = 0;i<hiddenNeurons.get(0).length;i++)
{
hSums.get(0)[i] = 0.0;
}
for(int i = 0;i<aOutputNeurons.length;i++)
{
hoSums[i] = 0.0;
}
for(int i = 0;i<inputNeurons.length;i++) //calculating the sums of the hidden neurons (Input-function)
{
for(int b = 0;b<hiddenNeurons.get(0).length;b++)
{
hSums.get(0)[b] += inputNeurons[i] * ihWeights[i][b];
}
}
for(int i = 0;i<hiddenNeurons.get(0).length;i++) //Each bias-value has to be added to its associated sum
{
hSums.get(0)[i] += hBiases.get(0)[i];
}
for(int i = 0;i<hiddenNeurons.get(0).length;i++)
{
hiddenNeurons.get(0)[i] = Helper.sig(hSums.get(0)[i]); //output-function = sigmoid
}
//calculating the hSums
if(hiddenNeurons.size()>1)
{
for (int layer = 0;layer<hiddenNeurons.size()-1;layer++)
{
//calculating the sums of the layer
for(int neuron_nextLayer = 0; neuron_nextLayer < hiddenNeurons.get(layer+1).length;neuron_nextLayer++)
{
hSums.get(layer+1)[neuron_nextLayer] = 0;
for(int neuron_actualLayer = 0;neuron_actualLayer < hiddenNeurons.get(layer).length;neuron_actualLayer++)
{
hSums.get(layer+1)[neuron_nextLayer] += hiddenNeurons.get(layer)[neuron_actualLayer] * hhWeights.get(layer)[neuron_actualLayer][neuron_nextLayer];
}
}
}
}
// calculating the sums of the output neurons (Input-function)
int lastHiddenLayer = hiddenNeurons.size()-1;
for(int i = 0;i<aOutputNeurons.length;i++)
{
hoSums[i] = 0;
for(int b = 0;b<hiddenNeurons.get(lastHiddenLayer).length;b++)
{
hoSums[i] += hiddenNeurons.get(lastHiddenLayer)[b] * hoWeights[b][i];
}
hoSums[i] += hoBiases[i];
aOutputNeurons[i] = Helper.sig(hoSums[i]);
}
//weightToString();
return aOutputNeurons;
}
public void learn(double[] cValues) //correctValues
{
// calculating the output-gradients
for(int i = 0;i<aOutputNeurons.length;i++)
{
oGradients[i] = (cValues[i]-aOutputNeurons[i])*Helper.invSig(aOutputNeurons[i]);
}
//calculating the hidden-gradients
double sum; //sum of all multiplications between gradients of the output layer and the weights between the hidden neuron and each output neuron.
int lastHiddenLayer = hiddenNeurons.size()-1;
for(int i = 0;i<hiddenNeurons.get(lastHiddenLayer).length;i++)
{
sum = 0;
for(int b = 0;b<aOutputNeurons.length;b++)
{
sum += oGradients[b] * hoWeights[i][b];
}
hGradients.get(lastHiddenLayer)[i] = Helper.invSig(hiddenNeurons.get(lastHiddenLayer)[i]) * sum;
}
if(hiddenNeurons.size() > 1)
{
for(int layer = lastHiddenLayer;layer > 0;layer--)
{
for(int neuron_actualHiddenLayer = 0; neuron_actualHiddenLayer < hiddenNeurons.get(layer-1).length;neuron_actualHiddenLayer++) // neuron_actualHiddenLayer is more in the direction of the input neurons and neuron_nextHiddenLayer more in the direction of the output neurons
{
sum = 0;
for(int neuron_nextHiddenLayer = 0;neuron_nextHiddenLayer < hiddenNeurons.get(layer).length;neuron_nextHiddenLayer++)
{
sum += hGradients.get(layer)[neuron_nextHiddenLayer] * hhWeights.get(layer-1)[neuron_actualHiddenLayer][neuron_nextHiddenLayer];
}
hGradients.get(layer-1)[neuron_actualHiddenLayer] = Helper.invSig(hiddenNeurons.get(layer-1)[neuron_actualHiddenLayer]) * sum;
}
}
}
//calculating weight- and biasdeltas of input- to hidden neurons
for(int i = 0;i<inputNeurons.length;i++)
{
for(int b = 0;b<hiddenNeurons.get(0).length;b++)
{
ihPrevWeightsDeltas[i][b] = eta * hGradients.get(0)[b] * inputNeurons[i];
ihWeights[i][b] += ihPrevWeightsDeltas[i][b];
}
}
// calculating weight- and biasdeltas of hidden- to hidden neurons
if(hiddenNeurons.size() > 1)
{
for(int layer = 0;layer < hiddenNeurons.size()-1;layer++)
{
for(int neuron_actualHiddenLayer = 0; neuron_actualHiddenLayer < hiddenNeurons.get(layer).length;neuron_actualHiddenLayer++) // neuron_actualHiddenLayer is more in the direction of the input neurons and neuron_nextHiddenLayer more in the direction of the output neurons
{
for(int neuron_nextHiddenLayer = 0;neuron_nextHiddenLayer < hiddenNeurons.get(layer+1).length;neuron_nextHiddenLayer++)
{
hhPrevWeightDeltas.get(layer)[neuron_actualHiddenLayer][neuron_nextHiddenLayer] = eta * hGradients.get(layer+1)[neuron_nextHiddenLayer] * hiddenNeurons.get(layer)[neuron_actualHiddenLayer];
hhWeights.get(layer)[neuron_actualHiddenLayer][neuron_nextHiddenLayer] += hhPrevWeightDeltas.get(layer)[neuron_actualHiddenLayer][neuron_nextHiddenLayer];
hhPrevBiasDeltas.get(layer)[neuron_actualHiddenLayer] = eta*hGradients.get(layer)[neuron_actualHiddenLayer];
hBiases.get(layer)[neuron_actualHiddenLayer] += hhPrevBiasDeltas.get(layer)[neuron_actualHiddenLayer];
}
}
}
}
for(int i = 0;i<hiddenNeurons.get(0).length;i++)
{
ihPrevBiasDeltas[i] = eta*hGradients.get(0)[i];
hBiases.get(0)[i] += ihPrevBiasDeltas[i];
}
for(int i = 0;i<aOutputNeurons.length;i++)
{
hoPrevBiasDeltas[i] = eta*oGradients[i];
hoBiases[i] += hoPrevBiasDeltas[i];
}
for(int i = 0;i<hiddenNeurons.get(0).length;i++)
{
for(int b = 0;b<aOutputNeurons.length;b++)
{
hoPrevWeightsDeltas[i][b] = eta * oGradients[b] * hiddenNeurons.get(lastHiddenLayer)[i];
hoWeights[i][b] += hoPrevWeightsDeltas[i][b];
}
}
}
이걸 [MCVE] (http://stackoverflow.com/help/mcve)로 바꾸어서 더 읽기 쉽게 만들 수 있습니까? 같은 코드와 관련이없는 코드가 있기 때문에 특히 많은 코드입니다. –
그래, 나는 누군가가 그렇게 말할 것이라고 생각했다. 하지만 어떻게하면 코드를 더 읽기 좋게 만들 수 있습니까? 당신은 더 나은 개요 (이 경우에는 불가능합니다)가 적은 코드를 의미합니까, 아니면 "문제를 재현하는 데 필요한 모든 부품을 제공"하기 위해 가지고있는 전체 코드를 넣어야합니까 (어느 것이 많습니까?)? – asparagus
'어떻게하면 코드를 좀 더 읽기 좋게 만들 수 있을까요? '그건 당신의 문제입니다. 우리는 이미 질문을 이해하고 대답하고 있습니다. :) 그러나, 당신은 비트가 관련성이 없다고 말하면서, 서식을 개선하고 관대하게 느껴지더라도 질문을 편집 한 다음 결과를 실제 실행에 필요한 추가 상용구 코드 (예 : Github)와 함께 업로드하십시오. MCVE [here] (http://stackoverflow.com/help/mcve)의 정의를 읽으십시오. –