Реализация этапа изменения весов модели методом стохастического градиентного спуска

@NEzabIto · Регистрация: 12.11.2022

Author24 — интернет-сервис помощи студентам

Здравствуйте. Я прохожу курс по программированию нейросетей на языке Python. Получил задание с готовым кодом, в котором нужно заполнить пропуски на месте ???. А именно реализовать метод стохастического градиентного спуска. Код выглядит так.

Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
# Импортируем необходимые пакеты
import numpy as np
import time
 
start_time = time.time()
 
# Зададим обучающую выборку
m = 17
h = 2
 
eps = 0.000001
 
dataX = [
    [0.1, 0.2, 0.3, 0.4],
    [0.2, 0.3, 0.4, 0.5],
    [0.3, 0.4, 0.5, 0.6],
    [0.4, 0.5, 0.6, 0.7],
    [0.5, 0.6, 0.7, 0.8],
    [0.6, 0.7, 0.8, 0.9],
    [0.7, 0.8, 0.9, 0],
    [0.8, 0.9, 0, -0.1],
    [0.9, 0, -0.1, -0.2],
    [0, -0.1, -0.2, -0.3],
    [-0.1, -0.2, -0.3, -0.4],
    [-0.2, -0.3, -0.4, -0.5],
    [-0.3, -0.4, -0.5, -0.6],
    [-0.4, -0.5, -0.6, -0.7],
    [-0.5, -0.6, -0.7, -0.8],
    [-0.6, -0.7, -0.8, -0.9],
    [-0.7, -0.8, -0.9, 0]
]
 
dataY = [1, 1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9, 0, -1, -1.2, -1.3, -1.4, -1.5, -1.6, -1.7]
 
print('Задаем обучающую выборку')
print('Функция активации 1/(1+exp(-x))')
 
 
def sigmoid(x):
    sig = 1 / (1 + np.exp(-x))
    return sig
 
 
def diffsig(x):
    # Запишите выражение для производной для функции активации сигмоида
    diffsig = ???
    return diffsig
 
 
# Инициализируем веса
w1 = 0.1
w2 = 0.2
w3 = 0.3
w4 = 0.4
print('0 этап алгоритма. Инициализируем веса')
 
 
# Функция потерь
def loss_func(w1, w2, w3, w4, dataY, dataX, m=17):
    E = 0
    for i in range(m):
        E += (dataY[i] - sigmoid(w1 * dataX[i][0] + w2 * dataX[i][1] + w3 * dataX[i][2] + w4 * dataX[i][3])
              ) * (dataY[i] - sigmoid(w1 * dataX[i][0] + w2 * dataX[i][1] + w3 * dataX[i][2] + w4 * dataX[i][3]))
    return E
 
 
# Вычисляем значение функции потерь
loss_new = loss_func(w1, w2, w3, w4, dataY, dataX)
print('1 этап алгоритма. Вычисляем значение функции потерь. E(w1,w2,w3,w4) = ', round(loss_new, 6))
 
 
# Производная функции потерь по jму весу
def diff_loss_func(j, w1, w2, w3, w4, Y, X):
    diffE = 2 * (Y - sigmoid(w1 * X[0] + w2 * X[1] + w3 * X[2] + w4 * X[3])
                 ) * diffsig(w1 * X[0] + w2 * X[1] + w3 * X[2] + w4 * X[3]
                             ) * X[j]
    return diffE
 
 
# Вычисляем значение градиента функции потерь
print('2 этап алгоритма. Вычисляем значение градиента функции потерь. diffE(w1,w2,w3,w4) = (',
      round(diff_loss_func(0, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      round(diff_loss_func(1, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      round(diff_loss_func(2, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      round(diff_loss_func(3, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      ')')
 
# Вычисляем изменение весов
print('Вычисляем изменение весов. Шаг алгоритма h=', h, '. divW = (',
      round(h * diff_loss_func(0, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      round(h * diff_loss_func(1, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      round(h * diff_loss_func(2, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      round(h * diff_loss_func(3, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      ')')
 
# Корректируем веса
w1 = w1 + h * diff_loss_func(0, w1, w2, w3, w4, dataY[0], dataX[0])
w2 = w2 + h * diff_loss_func(1, w1, w2, w3, w4, dataY[0], dataX[0])
w3 = w3 + h * diff_loss_func(2, w1, w2, w3, w4, dataY[0], dataX[0])
w4 = w4 + h * diff_loss_func(3, w1, w2, w3, w4, dataY[0], dataX[0])
 
print('3 этап алгоритма. Корректируем веса W = (',
      round(w1, 6),
      round(w2, 6),
      round(w3, 6),
      round(w4, 6),
      ')')
 
# Запускаем цикл градиентного спуска
count_stop = 0
index = np.arange(17)
t = 0
for k in range(4000):
    # Познакомиться с функцией shuffle можно в документации
    # [url]https://docs.scipy.org/doc/numpy-1.9.1/reference/generated/numpy.random.shuffle.html[/url]
    np.random.shuffle(index)
    loss_old = loss_new
 
    # Функция shuffle перемешивает нашу обучающую выборку.
    # Реализуйте этап изменения весов модели методом стохастического градиентного спуска.
    # На каждом шаге изменяйте веса, вычисляя производные, только для одного элемента обучающей выборки. 
    # После прохождения всех элементов, выборку нужно перемешать.
    ???
       ???
       ???
       ???
       ???
    
    loss_new = loss_func(w1, w2, w3, w4, dataY, dataX)
    if abs(loss_new - loss_old) < eps:
        count_stop += 1
    else:
        count_stop = 0
    if count_stop == 10:
        break
    else:
        print(t + 1, 'я итерация алгоритма. Вычисляем значение функции потерь. E(w1,w2,w3,w4) = ',
              round(loss_new, 6))
        t += 1
 
print("--- %s seconds ---" % (time.time() - start_time))
 
# Внесите значение loss_new на платформу
print(loss_new)

Я заполнил пропуски следующим образом:

Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
# Импортируем необходимые пакеты
import numpy as np
import time
 
start_time = time.time()
 
# Зададим обучающую выборку
m = 17
h = 2
 
eps = 0.000001
 
dataX = [
    [0.1, 0.2, 0.3, 0.4],
    [0.2, 0.3, 0.4, 0.5],
    [0.3, 0.4, 0.5, 0.6],
    [0.4, 0.5, 0.6, 0.7],
    [0.5, 0.6, 0.7, 0.8],
    [0.6, 0.7, 0.8, 0.9],
    [0.7, 0.8, 0.9, 0],
    [0.8, 0.9, 0, -0.1],
    [0.9, 0, -0.1, -0.2],
    [0, -0.1, -0.2, -0.3],
    [-0.1, -0.2, -0.3, -0.4],
    [-0.2, -0.3, -0.4, -0.5],
    [-0.3, -0.4, -0.5, -0.6],
    [-0.4, -0.5, -0.6, -0.7],
    [-0.5, -0.6, -0.7, -0.8],
    [-0.6, -0.7, -0.8, -0.9],
    [-0.7, -0.8, -0.9, 0]
]
 
dataY = [1, 1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9, 0, -1, -1.2, -1.3, -1.4, -1.5, -1.6, -1.7]
 
print('Задаем обучающую выборку')
print('Функция активации 1/(1+exp(-x))')
 
 
def sigmoid(x):
    sig = 1 / (1 + np.exp(-x))
    return sig
 
 
def diffsig(x):
    # Запишите выражение для производной для функции активации сигмоида
    #diffsig = ???
    #начало добавленного кода
    diffsig = sigmoid(x)*(1 - sigmoid(x))
    #конец добавленного кода
    return diffsig
 
 
# Инициализируем веса
w1 = 0.1
w2 = 0.2
w3 = 0.3
w4 = 0.4
print('0 этап алгоритма. Инициализируем веса')
 
 
# Функция потерь
def loss_func(w1, w2, w3, w4, dataY, dataX, m=17):
    E = 0
    for i in range(m):
        E += (dataY[i] - sigmoid(w1 * dataX[i][0] + w2 * dataX[i][1] + w3 * dataX[i][2] + w4 * dataX[i][3])
              ) * (dataY[i] - sigmoid(w1 * dataX[i][0] + w2 * dataX[i][1] + w3 * dataX[i][2] + w4 * dataX[i][3]))
    return E
 
 
# Вычисляем значение функции потерь
loss_new = loss_func(w1, w2, w3, w4, dataY, dataX)
print('1 этап алгоритма. Вычисляем значение функции потерь. E(w1,w2,w3,w4) = ', round(loss_new, 6))
 
 
# Производная функции потерь по jму весу
def diff_loss_func(j, w1, w2, w3, w4, Y, X):
    diffE = 2 * (Y - sigmoid(w1 * X[0] + w2 * X[1] + w3 * X[2] + w4 * X[3])
                 ) * diffsig(w1 * X[0] + w2 * X[1] + w3 * X[2] + w4 * X[3]
                             ) * X[j]
    return diffE
 
 
# Вычисляем значение градиента функции потерь
print('2 этап алгоритма. Вычисляем значение градиента функции потерь. diffE(w1,w2,w3,w4) = (',
      round(diff_loss_func(0, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      round(diff_loss_func(1, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      round(diff_loss_func(2, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      round(diff_loss_func(3, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      ')')
 
# Вычисляем изменение весов
print('Вычисляем изменение весов. Шаг алгоритма h=', h, '. divW = (',
      round(h * diff_loss_func(0, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      round(h * diff_loss_func(1, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      round(h * diff_loss_func(2, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      round(h * diff_loss_func(3, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      ')')
 
# Корректируем веса
w1 = w1 + h * diff_loss_func(0, w1, w2, w3, w4, dataY[0], dataX[0])
w2 = w2 + h * diff_loss_func(1, w1, w2, w3, w4, dataY[0], dataX[0])
w3 = w3 + h * diff_loss_func(2, w1, w2, w3, w4, dataY[0], dataX[0])
w4 = w4 + h * diff_loss_func(3, w1, w2, w3, w4, dataY[0], dataX[0])
 
print('3 этап алгоритма. Корректируем веса W = (',
      round(w1, 6),
      round(w2, 6),
      round(w3, 6),
      round(w4, 6),
      ')')
 
# Запускаем цикл градиентного спуска
count_stop = 0
index = np.arange(17)
t = 0
for k in range(4000):
    # Познакомиться с функцией shuffle можно в документации
    # https://docs.scipy.org/doc/numpy-1.9.1/reference/generated/numpy.random.shuffle.html
    np.random.shuffle(index)
    loss_old = loss_new
 
    # Функция shuffle перемешивает нашу обучающую выборку.
    # Реализуйте этап изменения весов модели методом стохастического градиентного спуска.
    # На каждом шаге изменяйте веса, вычисляя производные, только для одного элемента обучающей выборки. 
    # После прохождения всех элементов, выборку нужно перемешать.
    #???
    #   ???
    #   ???
    #   ???
    #   ???
    #начало добавленного кода
    ind = index[0]
    gradient = []
    gradient.append(diff_loss_func(0, w1, w2, w3, w4, dataY[ind], dataX[ind]))
    gradient.append(diff_loss_func(1, w1, w2, w3, w4, dataY[ind], dataX[ind]))
    gradient.append(diff_loss_func(2, w1, w2, w3, w4, dataY[ind], dataX[ind]))
    gradient.append(diff_loss_func(3, w1, w2, w3, w4, dataY[ind], dataX[ind]))
    w1 = w1 + h*gradient[0]
    w2 = w2 + h*gradient[1]
    w3 = w3 + h*gradient[2]
    w4 = w4 + h*gradient[3]
    #конец добавленного кода
    
    loss_new = loss_func(w1, w2, w3, w4, dataY, dataX)
    if abs(loss_new - loss_old) < eps:
        count_stop += 1
    else:
        count_stop = 0
    if count_stop == 10:
        break
    else:
        print(t + 1, 'я итерация алгоритма. Вычисляем значение функции потерь. E(w1,w2,w3,w4) = ',
              round(loss_new, 6))
        t += 1
 
print("--- %s seconds ---" % (time.time() - start_time))
 
# Внесите значение loss_new на платформу
print(loss_new)

Но ошибка loss_new не опускается ниже 16. То есть моя реализация работает неправильно. Не подскажите, что не так?

@VTsaregorodtsev · 21.10.2024, 18:40

Сообщение от NEzabIto

задание с готовым кодом

Ух какой аццкий говнокод...
Скажи преподу, что он клинический идиот.
Например, в строках 62-63 при вычислении условного Z² выражение Z вычисляется дважды.
Дальше - аналогичная лютая тупизна.

@NEzabIto · 21.10.2024, 21:02 **[ТС]**

Тут я согласен. Но этап изменения весов в стохастическом спуске-то мне как сделать? Я беру на каждой итерации один случайный объект, считаю для него частные производные по каждому весу и корректирую веса, но этого явно не достаточно.

Python
1
2
3
4
5
6
7
8
9
10
11
12
    #начало добавленного кода
    ind = index[0]
    gradient = []
    gradient.append(diff_loss_func(0, w1, w2, w3, w4, dataY[ind], dataX[ind]))
    gradient.append(diff_loss_func(1, w1, w2, w3, w4, dataY[ind], dataX[ind]))
    gradient.append(diff_loss_func(2, w1, w2, w3, w4, dataY[ind], dataX[ind]))
    gradient.append(diff_loss_func(3, w1, w2, w3, w4, dataY[ind], dataX[ind]))
    w1 = w1 + h*gradient[0]
    w2 = w2 + h*gradient[1]
    w3 = w3 + h*gradient[2]
    w4 = w4 + h*gradient[3]
    #конец добавленного кода

Везде написано, что нужно учебную выборку перемешивать, но я так и не понял зачем это надо, если мы всё равно только с одним случайным объектом на каждой итерации работаем.

@VTsaregorodtsev · 21.10.2024, 22:01

Сообщение от NEzabIto

Я беру на каждой итерации один случайный объект, считаю для него частные производные по каждому весу и корректирую веса, но этого явно не достаточно.

Да, одного объекта недостаточно.
На КАЖДОЙ из 4000 итераций нужно:
1) Заново перемешать выборку.
2) В ЦИКЛЕ ПЕРЕБРАТЬ ВСЕ объекты, корректируя веса после каждого из них.
Т.е. нужно просто дописать ещё 1 цикл по 17ти объектам, внеся строки 132-141 в тело этого цикла. И строку ind = index[0] изменить на ind = index[z] (если добавленный цикл будет по переменной z).

Как перемешивать - ХЗ, я на змеюке не пишу. Вроде бы какая-то встроенная/библиотечная функция была для перестановок элементов вектора/контейнера

@NEzabIto · 21.10.2024, 23:26 **[ТС]**

Спасибо, у меня получилось, система приняла ответ!

Итого у меня получилась такая реализация, в конце всегда выдаёт ошибку 16.6315, это оказался правильный ответ.

Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
# Импортируем необходимые пакеты
import numpy as np
import time
 
start_time = time.time()
 
# Зададим обучающую выборку
m = 17
h = 2
 
eps = 0.000001
 
dataX = [
    [0.1, 0.2, 0.3, 0.4],
    [0.2, 0.3, 0.4, 0.5],
    [0.3, 0.4, 0.5, 0.6],
    [0.4, 0.5, 0.6, 0.7],
    [0.5, 0.6, 0.7, 0.8],
    [0.6, 0.7, 0.8, 0.9],
    [0.7, 0.8, 0.9, 0],
    [0.8, 0.9, 0, -0.1],
    [0.9, 0, -0.1, -0.2],
    [0, -0.1, -0.2, -0.3],
    [-0.1, -0.2, -0.3, -0.4],
    [-0.2, -0.3, -0.4, -0.5],
    [-0.3, -0.4, -0.5, -0.6],
    [-0.4, -0.5, -0.6, -0.7],
    [-0.5, -0.6, -0.7, -0.8],
    [-0.6, -0.7, -0.8, -0.9],
    [-0.7, -0.8, -0.9, 0]
]
 
dataY = [1, 1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9, 0, -1, -1.2, -1.3, -1.4, -1.5, -1.6, -1.7]
 
print('Задаем обучающую выборку')
print('Функция активации 1/(1+exp(-x))')
 
 
def sigmoid(x):
    sig = 1 / (1 + np.exp(-x))
    return sig
 
 
def diffsig(x):
    # Запишите выражение для производной для функции активации сигмоида
    #diffsig = ???
    #начало добавленного кода
    diffsig = sigmoid(x)*(1 - sigmoid(x))
    #конец добавленного кода
    return diffsig
 
 
# Инициализируем веса
w1 = 0.1
w2 = 0.2
w3 = 0.3
w4 = 0.4
print('0 этап алгоритма. Инициализируем веса')
 
 
# Функция потерь
def loss_func(w1, w2, w3, w4, dataY, dataX, m=17):
    E = 0
    for i in range(m):
        E += (dataY[i] - sigmoid(w1 * dataX[i][0] + w2 * dataX[i][1] + w3 * dataX[i][2] + w4 * dataX[i][3])
              ) * (dataY[i] - sigmoid(w1 * dataX[i][0] + w2 * dataX[i][1] + w3 * dataX[i][2] + w4 * dataX[i][3]))
    return E
 
 
# Вычисляем значение функции потерь
loss_new = loss_func(w1, w2, w3, w4, dataY, dataX)
print('1 этап алгоритма. Вычисляем значение функции потерь. E(w1,w2,w3,w4) = ', round(loss_new, 6))
 
 
# Производная функции потерь по jму весу
def diff_loss_func(j, w1, w2, w3, w4, Y, X):
    diffE = 2 * (Y - sigmoid(w1 * X[0] + w2 * X[1] + w3 * X[2] + w4 * X[3])
                 ) * diffsig(w1 * X[0] + w2 * X[1] + w3 * X[2] + w4 * X[3]
                             ) * X[j]
    return diffE
 
 
# Вычисляем значение градиента функции потерь
print('2 этап алгоритма. Вычисляем значение градиента функции потерь. diffE(w1,w2,w3,w4) = (',
      round(diff_loss_func(0, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      round(diff_loss_func(1, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      round(diff_loss_func(2, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      round(diff_loss_func(3, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      ')')
 
# Вычисляем изменение весов
print('Вычисляем изменение весов. Шаг алгоритма h=', h, '. divW = (',
      round(h * diff_loss_func(0, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      round(h * diff_loss_func(1, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      round(h * diff_loss_func(2, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      round(h * diff_loss_func(3, w1, w2, w3, w4, dataY[0], dataX[0]), 6),
      ')')
 
# Корректируем веса
w1 = w1 + h * diff_loss_func(0, w1, w2, w3, w4, dataY[0], dataX[0])
w2 = w2 + h * diff_loss_func(1, w1, w2, w3, w4, dataY[0], dataX[0])
w3 = w3 + h * diff_loss_func(2, w1, w2, w3, w4, dataY[0], dataX[0])
w4 = w4 + h * diff_loss_func(3, w1, w2, w3, w4, dataY[0], dataX[0])
 
print('3 этап алгоритма. Корректируем веса W = (',
      round(w1, 6),
      round(w2, 6),
      round(w3, 6),
      round(w4, 6),
      ')')
 
# Запускаем цикл градиентного спуска
count_stop = 0
index = np.arange(17)
t = 0
from random import shuffle
for k in range(4000):
    # Познакомиться с функцией shuffle можно в документации
    # https://docs.scipy.org/doc/numpy-1.9.1/reference/generated/numpy.random.shuffle.html
    np.random.shuffle(index)
    loss_old = loss_new
 
    # Функция shuffle перемешивает нашу обучающую выборку.
    # Реализуйте этап изменения весов модели методом стохастического градиентного спуска.
    # На каждом шаге изменяйте веса, вычисляя производные, только для одного элемента обучающей выборки. 
    # После прохождения всех элементов, выборку нужно перемешать.
    #???
    #   ???
    #   ???
    #   ???
    #   ???
    #начало добавленного кода
    gradient = [0, 0, 0, 0]    #объявляю список частных производных
    X = np.array(dataX)
    Y = np.array(dataY)
    dataX = X[index]    #перемешиваю выборку
    dataY = Y[index]
    for i in index:    #считаю производные, меняю веса
        gradient[0] = diff_loss_func(0, w1, w2, w3, w4, dataY[i], dataX[i])
        gradient[1] = diff_loss_func(1, w1, w2, w3, w4, dataY[i], dataX[i])
        gradient[2] = diff_loss_func(2, w1, w2, w3, w4, dataY[i], dataX[i])
        gradient[3] = diff_loss_func(3, w1, w2, w3, w4, dataY[i], dataX[i])
        w1 = w1 + h*gradient[0]
        w2 = w2 + h*gradient[1]
        w3 = w3 + h*gradient[2]
        w4 = w4 + h*gradient[3]
    #конец добавленного кода
    
    loss_new = loss_func(w1, w2, w3, w4, dataY, dataX)
    if abs(loss_new - loss_old) < eps:
        count_stop += 1
    else:
        count_stop = 0
    if count_stop == 10:
        break
    else:
        print(t + 1, 'я итерация алгоритма. Вычисляем значение функции потерь. E(w1,w2,w3,w4) = ',
              round(loss_new, 6))
        t += 1
 
print("--- %s seconds ---" % (time.time() - start_time))
 
# Внесите значение loss_new на платформу
print(loss_new)

@NEzabIto · 29.10.2024, 01:26 **[ТС]**

Здравствуйте. Снова прошу помощи. Аналогичное задание, только теперь надо реализовать изменение весов в методе Adam, вроде бы какой-то ответ выходит, но не уверен, что у меня всё работает правильно, поэтому прошу вас проверить, вдруг какую ошибку в коде найдёте.

Текст задания:

Реализуйте обучение многослойной нейронной сети методом ADAM, заполнив пропуски в коде выделенные знаками "???".
После выполнения программы внесите в поле значение переменной "loss_new".

И так, требуется модифицировать следующий код:

Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
# Импортируем необходимые пакеты
import numpy as np
 
# Зададим обучающую выборку
m = 17
h = 0.7
# Попробовать h=0.1, h=0.7
eps = 0.00001
epsfunc = 0.06
dataX = [
    [0.1, 0.2, 0.3, 0.4],
    [0.2, 0.3, 0.4, 0.5],
    [0.3, 0.4, 0.5, 0.6],
    [0.4, 0.5, 0.6, 0.7],
    [0.5, 0.6, 0.7, 0.8],
    [0.6, 0.7, 0.8, 0.9],
    [0.7, 0.8, 0.9, 0],
    [0.8, 0.9, 0, -0.1],
    [0.9, 0, -0.1, -0.2],
    [0, -0.1, -0.2, -0.3],
    [-0.1, -0.2, -0.3, -0.4],
    [-0.2, -0.3, -0.4, -0.5],
    [-0.3, -0.4, -0.5, -0.6],
    [-0.4, -0.5, -0.6, -0.7],
    [-0.5, -0.6, -0.7, -0.8],
    [-0.6, -0.7, -0.8, -0.9],
    [-0.7, -0.8, -0.9, 0]
]
dataY = [1, 1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9, 0, -1, -1.2, -1.3, -1.4, -1.5, -1.6, -1.7]
print('Задаем обучающую выборку')
print('Функция сигмоида 1/(1+exp(-x))')
 
 
def sigmoid(x):
    sig = 1 / (1 + np.exp(-x))
    return sig
 
 
def diffsig(x):
    diffsig = np.exp(x) / (1 + np.exp(x)) / (1 + np.exp(x))
    return diffsig
 
 
# Наша нейронная сеть будет иметь 2 нейрона во входном слое, 2 в скрытом и 1 в выходном
# Определим модель нейрона с 4 входами
def neuro_in(w1, w2, w3, w4, x1, x2, x3, x4):
    neu = sigmoid(w1 * x1 + w2 * x2 + w3 * x3 + w4 * x4)
    return neu
 
 
def neuro_deep(w1, w2, x1, x2):
    neu = sigmoid(w1 * x1 + w2 * x2)
    return neu
 
 
def neuro_out(w1, w2, x1, x2):
    neu = w1 * x1 + w2 * x2
    return neu
 
 
def diff_neuro_in(w1, w2, w3, w4, x1, x2, x3, x4):
    neu = diffsig(w1 * x1 + w2 * x2 + w3 * x3 + w4 * x4)
    return neu
 
 
def diff_neuro_deep(w1, w2, x1, x2):
    neu = diffsig(w1 * x1 + w2 * x2)
    return neu
 
 
# 0 этап алгоритма. Инициализируем веса сети.
# Веса нейронов входного слоя
w111 = 0.01
w112 = 0.02
w113 = 0.03
w114 = 0.04
 
w121 = 0.05
w122 = 0.06
w123 = 0.07
w124 = 0.08
 
# Веса нейронов скрытого слоя
w211 = -0.01
w212 = -0.02
 
w221 = -0.03
w222 = -0.04
 
# Веса нейрона выходного слоя
w311 = -0.05
w312 = -0.06
 
 
# Посчитаем функцию ошибки
def loss_func(w111, w112, w113, w114, w121, w122, w123, w124,
              w211, w212, w221, w222, w311, w312, dataY, dataX, m=17):
    E = 0
    for i in range(m):
        # Значения первого слоя
        neu11 = neuro_in(w111, w112, w113, w114, dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3])
        neu12 = neuro_in(w121, w122, w123, w124, dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3])
 
        # Значения второго слоя
        neu21 = neuro_deep(w211, w212, neu11, neu12)
        neu22 = neuro_deep(w221, w222, neu11, neu12)
 
        # Значение выхода сети
        neu31 = neuro_out(w311, w312, neu21, neu22)
 
        E += (dataY[i] - neu31) * (dataY[i] - neu31)
    return E / m
 
 
# Вычисляем значение функции потерь
loss_new = loss_func(w111, w112, w113, w114, w121, w122, w123, w124,
                     w211, w212, w221, w222, w311, w312, dataY, dataX)
print('1 этап алгоритма. Вычисляем значение функции потерь. E(w111,...,w312) = ',
      round(loss_new, 6))
 
# Посчитаем значения на выходах нейронов для 0 элемента обучающей выборки
# Входного слоя
neu_in = [0, 0]
neu_in[0] = neuro_in(w111, w112, w113, w114, dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3])
neu_in[1] = neuro_in(w121, w122, w123, w124, dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3])
 
# Скрытого слоя
neu_deep = [0, 0]
neu_deep[0] = neuro_deep(w211, w212, neu_in[0], neu_in[1])
neu_deep[1] = neuro_deep(w221, w222, neu_in[0], neu_in[1])
 
# Выходного слоя
neu_out = neuro_out(w311, w312, neu_deep[0], neu_deep[1])
 
# Рассчитаем ошибку ответа сети
delta = dataY[0] - neu_out
 
# Посчитаем значение градиента функции потерь, используя обратное распространение ошибки delta
# Производные для весов выходного слоя
diffEw311 = 2 * delta * neu_deep[0]
diffEw312 = 2 * delta * neu_deep[1]
 
# Производные для весов скрытого слоя
diffEw211 = 2 * delta * w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * neu_in[0]
diffEw212 = 2 * delta * w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * neu_in[1]
 
diffEw221 = 2 * delta * w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * neu_in[0]
diffEw222 = 2 * delta * w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * neu_in[1]
 
# Производные для весов входного слоя
diffEw111 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w211 +
                         w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w221
                         ) * diff_neuro_in(w111, w112, w113, w114,
                                           dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3]) * dataX[0][0]
 
diffEw112 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w211 +
                         w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w221
                         ) * diff_neuro_in(w111, w112, w113, w114,
                                           dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3]) * dataX[0][1]
 
diffEw113 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w211 +
                         w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w221
                         ) * diff_neuro_in(w111, w112, w113, w114,
                                           dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3]) * dataX[0][2]
 
diffEw114 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w211 +
                         w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w221
                         ) * diff_neuro_in(w111, w112, w113, w114,
                                           dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3]) * dataX[0][3]
 
diffEw121 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w212 +
                         w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w222
                         ) * diff_neuro_in(w121, w122, w123, w124,
                                           dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3]) * dataX[0][0]
 
diffEw122 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w212 +
                         w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w222
                         ) * diff_neuro_in(w121, w122, w123, w124,
                                           dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3]) * dataX[0][1]
 
diffEw123 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w212 +
                         w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w222
                         ) * diff_neuro_in(w121, w122, w123, w124,
                                           dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3]) * dataX[0][2]
 
diffEw124 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w212 +
                         w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w222
                         ) * diff_neuro_in(w121, w122, w123, w124,
                                           dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3]) * dataX[0][3]
 
# Вычисляем значение градиента функции потерь
print('2 этап алгоритма. Вычисляем значение градиента функции потерь. diffE(w111,...,w314) = (',
      round(diffEw111, 6),
      round(diffEw112, 6),
      round(diffEw113, 6),
      round(diffEw114, 6),
 
      round(diffEw121, 6),
      round(diffEw122, 6),
      round(diffEw123, 6),
      round(diffEw124, 6),
 
      round(diffEw211, 6),
      round(diffEw212, 6),
      round(diffEw221, 6),
      round(diffEw222, 6),
 
      round(diffEw311, 6),
      round(diffEw312, 6),
      ')')
 
# Корректируем веса
# Веса нейронов входного слоя
w111 = w111 + h * diffEw111
w112 = w112 + h * diffEw112
w113 = w113 + h * diffEw113
w114 = w114 + h * diffEw114
 
w121 = w121 + h * diffEw121
w122 = w122 + h * diffEw122
w123 = w123 + h * diffEw123
w124 = w124 + h * diffEw124
 
# Веса нейронов скрытого слоя
w211 = w211 + h * diffEw211
w212 = w212 + h * diffEw212
 
w221 = w221 + h * diffEw221
w222 = w222 + h * diffEw222
 
# Веса нейрона выходного слоя
w311 = w311 + h * diffEw311
w312 = w312 + h * diffEw312
 
print('3 этап алгоритма. Корректируем веса W = (',
      round(w111, 6),
      round(w112, 6),
      round(w113, 6),
      round(w114, 6),
 
      round(w121, 6),
      round(w122, 6),
      round(w123, 6),
      round(w124, 6),
 
      round(w211, 6),
      round(w212, 6),
      round(w221, 6),
      round(w222, 6),
 
      round(w311, 6),
      round(w312, 6),
      ')')
 
# Запускаем цикл ADAM
count_stop = 0
index = np.arange(17)
t = 0
# Задаем влияние инерции
gammav = 0.2
# Задаем влияние масштабирования
gammag = 0.2
# Инициализируем инерцию
v111 = 0.01
v112 = 0.01
v113 = 0.01
v114 = 0.01
v121 = 0.01
v122 = 0.01
v123 = 0.01
v124 = 0.01
 
v211 = 0.01
v212 = 0.01
v221 = 0.01
v222 = 0.01
 
v311 = 0.01
v312 = 0.01
# Инициализируем масштабирование
g111 = 0.02
g112 = 0.02
g113 = 0.02
g114 = 0.02
g121 = 0.02
g122 = 0.02
g123 = 0.02
g124 = 0.02
 
g211 = 0.02
g212 = 0.02
g221 = 0.02
g222 = 0.02
 
g311 = 0.02
g312 = 0.02
for k in range(4000):
    np.random.shuffle(index)
    loss_old = loss_new
    for i in index:
        # Посчитаем значения на выходах нейронов для 0 элемента обучающей выборки
        # Входного слоя
        neu_in = [0, 0]
        neu_in[0] = neuro_in(w111, w112, w113, w114, dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3])
        neu_in[1] = neuro_in(w121, w122, w123, w124, dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3])
 
        # Скрытого слоя
        neu_deep = [0, 0]
        neu_deep[0] = neuro_deep(w211, w212, neu_in[0], neu_in[1])
        neu_deep[1] = neuro_deep(w221, w222, neu_in[0], neu_in[1])
 
        # Выходного слоя
        neu_out = neuro_out(w311, w312, neu_deep[0], neu_deep[1])
 
        # Рассчитаем ошибку ответа сети
        delta = dataY[i] - neu_out
 
        # Посчитаем значение градиента функции потерь, используя обратное распространение ошибки delta
        # Производные для весов выходного слоя
        diffEw311 = 2 * delta * neu_deep[0]
        diffEw312 = 2 * delta * neu_deep[1]
 
        # Производные для весов скрытого слоя
        diffEw211 = 2 * delta * w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * neu_in[0]
        diffEw212 = 2 * delta * w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * neu_in[1]
 
        diffEw221 = 2 * delta * w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * neu_in[0]
        diffEw222 = 2 * delta * w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * neu_in[1]
 
        # Производные для весов входного слоя
        diffEw111 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w211 +
                                 w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w221
                                 ) * diff_neuro_in(w111, w112, w113, w114,
                                                   dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3]) * dataX[i][0]
 
        diffEw112 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w211 +
                                 w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w221
                                 ) * diff_neuro_in(w111, w112, w113, w114,
                                                   dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3]) * dataX[i][1]
 
        diffEw113 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w211 +
                                 w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w221
                                 ) * diff_neuro_in(w111, w112, w113, w114,
                                                   dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3]) * dataX[i][2]
 
        diffEw114 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w211 +
                                 w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w221
                                 ) * diff_neuro_in(w111, w112, w113, w114,
                                                   dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3]) * dataX[i][3]
 
        diffEw121 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w212 +
                                 w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w222
                                 ) * diff_neuro_in(w121, w122, w123, w124,
                                                   dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3]) * dataX[i][0]
 
        diffEw122 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w212 +
                                 w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w222
                                 ) * diff_neuro_in(w121, w122, w123, w124,
                                                   dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3]) * dataX[i][1]
 
        diffEw123 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w212 +
                                 w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w222
                                 ) * diff_neuro_in(w121, w122, w123, w124,
                                                   dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3]) * dataX[i][2]
 
        diffEw124 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w212 +
                                 w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w222
                                 ) * diff_neuro_in(w121, w122, w123, w124,
                                                   dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3]) * dataX[i][3]
 
        # Корректируем инерцияю
        gvt = (1 - gammav ** (t + 1))
        # Запишите формулу скользящего среднего для обновления инерции весов модели.
        v111 = ???
        v112 = ???
        v113 = ???
        v114 = ???
        v121 = ???
        v122 = ???
        v123 = ???
        v124 = ???
 
        v211 = ???
        v212 = ???
        v221 = ???
        v222 = ???
 
        v311 = ???
        v312 = ???
 
        # Корректируем масштабирование
        ggt = (1 - gammag ** (t + 1))
        # Запишите формулу скользящего среднего для обновления масштабирования весов модели.
        g111 = ???
        g112 = ???
        g113 = ???
        g114 = ???
        g121 = ???
        g122 = ???
        g123 = ???
        g124 = ???
 
        g211 = ???
        g212 = ???
        g221 = ???
        g222 = ???
 
        g311 = ???
        g312 = ???
 
        # Корректируем веса
        # Веса нейронов входного слоя
        # Запишите формулу обновления весов модели с помощью инерции и масштабирования.
        w111 = w111 + h * v111 / np.sqrt(g111 + eps)
        w112 = w112 + h *???
        w113 = w113 + h *???
        w114 = w114 + h *???
 
        w121 = w121 + h *???
        w122 = w122 + h *???
        w123 = w123 + h *???
        w124 = w124 + h *???
 
        # Веса нейронов скрытого слоя
        w211 = w211 + h *???
        w212 = w212 + h *???
 
        w221 = w221 + h *???
        w222 = w222 + h *???
 
        # Веса нейрона выходного слоя
        w311 = w311 + h *???
        w312 = w312 + h *???
 
        t += 1
 
    loss_new = loss_func(w111, w112, w113, w114, w121, w122, w123, w124,
                         w211, w212, w221, w222, w311, w312, dataY, dataX)
    if (abs(loss_new - loss_old) < eps):
        count_stop += 1
    else:
        count_stop = 0
    if loss_new < epsfunc:
        print(k + 1, 'я итерация алгоритма. Вычисляем значение функции потерь. E(w111,...,w312) = ',
              round(loss_new, 6))
        break
    if count_stop == 10:
        break
    else:
        print(k + 1, 'я итерация алгоритма. Вычисляем значение функции потерь. E(w111,...,w312) = ',
              round(loss_new, 6))
 
# Внесите значение loss_new на платформу
print(loss_new)

@NEzabIto · 29.10.2024, 01:26 **[ТС]**

Я модифицировал так:

Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
# Импортируем необходимые пакеты
import numpy as np
 
# Зададим обучающую выборку
m = 17
h = 0.7
# Попробовать h=0.1, h=0.7
eps = 0.00001
epsfunc = 0.06
dataX = [
    [0.1, 0.2, 0.3, 0.4],
    [0.2, 0.3, 0.4, 0.5],
    [0.3, 0.4, 0.5, 0.6],
    [0.4, 0.5, 0.6, 0.7],
    [0.5, 0.6, 0.7, 0.8],
    [0.6, 0.7, 0.8, 0.9],
    [0.7, 0.8, 0.9, 0],
    [0.8, 0.9, 0, -0.1],
    [0.9, 0, -0.1, -0.2],
    [0, -0.1, -0.2, -0.3],
    [-0.1, -0.2, -0.3, -0.4],
    [-0.2, -0.3, -0.4, -0.5],
    [-0.3, -0.4, -0.5, -0.6],
    [-0.4, -0.5, -0.6, -0.7],
    [-0.5, -0.6, -0.7, -0.8],
    [-0.6, -0.7, -0.8, -0.9],
    [-0.7, -0.8, -0.9, 0]
]
dataY = [1, 1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9, 0, -1, -1.2, -1.3, -1.4, -1.5, -1.6, -1.7]
print('Задаем обучающую выборку')
print('Функция сигмоида 1/(1+exp(-x))')
 
 
def sigmoid(x):
    sig = 1 / (1 + np.exp(-x))
    return sig
 
 
def diffsig(x):
    diffsig = np.exp(x) / (1 + np.exp(x)) / (1 + np.exp(x))
    return diffsig
 
 
# Наша нейронная сеть будет иметь 2 нейрона во входном слое, 2 в скрытом и 1 в выходном
# Определим модель нейрона с 4 входами
def neuro_in(w1, w2, w3, w4, x1, x2, x3, x4):
    neu = sigmoid(w1 * x1 + w2 * x2 + w3 * x3 + w4 * x4)
    return neu
 
 
def neuro_deep(w1, w2, x1, x2):
    neu = sigmoid(w1 * x1 + w2 * x2)
    return neu
 
 
def neuro_out(w1, w2, x1, x2):
    neu = w1 * x1 + w2 * x2
    return neu
 
 
def diff_neuro_in(w1, w2, w3, w4, x1, x2, x3, x4):
    neu = diffsig(w1 * x1 + w2 * x2 + w3 * x3 + w4 * x4)
    return neu
 
 
def diff_neuro_deep(w1, w2, x1, x2):
    neu = diffsig(w1 * x1 + w2 * x2)
    return neu
 
 
# 0 этап алгоритма. Инициализируем веса сети.
# Веса нейронов входного слоя
w111 = 0.01
w112 = 0.02
w113 = 0.03
w114 = 0.04
 
w121 = 0.05
w122 = 0.06
w123 = 0.07
w124 = 0.08
 
# Веса нейронов скрытого слоя
w211 = -0.01
w212 = -0.02
 
w221 = -0.03
w222 = -0.04
 
# Веса нейрона выходного слоя
w311 = -0.05
w312 = -0.06
 
 
# Посчитаем функцию ошибки
def loss_func(w111, w112, w113, w114, w121, w122, w123, w124,
              w211, w212, w221, w222, w311, w312, dataY, dataX, m=17):
    E = 0
    for i in range(m):
        # Значения первого слоя
        neu11 = neuro_in(w111, w112, w113, w114, dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3])
        neu12 = neuro_in(w121, w122, w123, w124, dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3])
 
        # Значения второго слоя
        neu21 = neuro_deep(w211, w212, neu11, neu12)
        neu22 = neuro_deep(w221, w222, neu11, neu12)
 
        # Значение выхода сети
        neu31 = neuro_out(w311, w312, neu21, neu22)
 
        E += (dataY[i] - neu31) * (dataY[i] - neu31)
    return E / m
 
 
# Вычисляем значение функции потерь
loss_new = loss_func(w111, w112, w113, w114, w121, w122, w123, w124,
                     w211, w212, w221, w222, w311, w312, dataY, dataX)
print('1 этап алгоритма. Вычисляем значение функции потерь. E(w111,...,w312) = ',
      round(loss_new, 6))
 
# Посчитаем значения на выходах нейронов для 0 элемента обучающей выборки
# Входного слоя
neu_in = [0, 0]
neu_in[0] = neuro_in(w111, w112, w113, w114, dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3])
neu_in[1] = neuro_in(w121, w122, w123, w124, dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3])
 
# Скрытого слоя
neu_deep = [0, 0]
neu_deep[0] = neuro_deep(w211, w212, neu_in[0], neu_in[1])
neu_deep[1] = neuro_deep(w221, w222, neu_in[0], neu_in[1])
 
# Выходного слоя
neu_out = neuro_out(w311, w312, neu_deep[0], neu_deep[1])
 
# Рассчитаем ошибку ответа сети
delta = dataY[0] - neu_out
 
# Посчитаем значение градиента функции потерь, используя обратное распространение ошибки delta
# Производные для весов выходного слоя
diffEw311 = 2 * delta * neu_deep[0]
diffEw312 = 2 * delta * neu_deep[1]
 
# Производные для весов скрытого слоя
diffEw211 = 2 * delta * w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * neu_in[0]
diffEw212 = 2 * delta * w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * neu_in[1]
 
diffEw221 = 2 * delta * w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * neu_in[0]
diffEw222 = 2 * delta * w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * neu_in[1]
 
# Производные для весов входного слоя
diffEw111 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w211 +
                         w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w221
                         ) * diff_neuro_in(w111, w112, w113, w114,
                                           dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3]) * dataX[0][0]
 
diffEw112 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w211 +
                         w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w221
                         ) * diff_neuro_in(w111, w112, w113, w114,
                                           dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3]) * dataX[0][1]
 
diffEw113 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w211 +
                         w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w221
                         ) * diff_neuro_in(w111, w112, w113, w114,
                                           dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3]) * dataX[0][2]
 
diffEw114 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w211 +
                         w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w221
                         ) * diff_neuro_in(w111, w112, w113, w114,
                                           dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3]) * dataX[0][3]
 
diffEw121 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w212 +
                         w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w222
                         ) * diff_neuro_in(w121, w122, w123, w124,
                                           dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3]) * dataX[0][0]
 
diffEw122 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w212 +
                         w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w222
                         ) * diff_neuro_in(w121, w122, w123, w124,
                                           dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3]) * dataX[0][1]
 
diffEw123 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w212 +
                         w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w222
                         ) * diff_neuro_in(w121, w122, w123, w124,
                                           dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3]) * dataX[0][2]
 
diffEw124 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w212 +
                         w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w222
                         ) * diff_neuro_in(w121, w122, w123, w124,
                                           dataX[0][0], dataX[0][1], dataX[0][2], dataX[0][3]) * dataX[0][3]
 
# Вычисляем значение градиента функции потерь
print('2 этап алгоритма. Вычисляем значение градиента функции потерь. diffE(w111,...,w314) = (',
      round(diffEw111, 6),
      round(diffEw112, 6),
      round(diffEw113, 6),
      round(diffEw114, 6),
 
      round(diffEw121, 6),
      round(diffEw122, 6),
      round(diffEw123, 6),
      round(diffEw124, 6),
 
      round(diffEw211, 6),
      round(diffEw212, 6),
      round(diffEw221, 6),
      round(diffEw222, 6),
 
      round(diffEw311, 6),
      round(diffEw312, 6),
      ')')
 
# Корректируем веса
# Веса нейронов входного слоя
w111 = w111 + h * diffEw111
w112 = w112 + h * diffEw112
w113 = w113 + h * diffEw113
w114 = w114 + h * diffEw114
 
w121 = w121 + h * diffEw121
w122 = w122 + h * diffEw122
w123 = w123 + h * diffEw123
w124 = w124 + h * diffEw124
 
# Веса нейронов скрытого слоя
w211 = w211 + h * diffEw211
w212 = w212 + h * diffEw212
 
w221 = w221 + h * diffEw221
w222 = w222 + h * diffEw222
 
# Веса нейрона выходного слоя
w311 = w311 + h * diffEw311
w312 = w312 + h * diffEw312
 
print('3 этап алгоритма. Корректируем веса W = (',
      round(w111, 6),
      round(w112, 6),
      round(w113, 6),
      round(w114, 6),
 
      round(w121, 6),
      round(w122, 6),
      round(w123, 6),
      round(w124, 6),
 
      round(w211, 6),
      round(w212, 6),
      round(w221, 6),
      round(w222, 6),
 
      round(w311, 6),
      round(w312, 6),
      ')')
 
# Запускаем цикл ADAM
count_stop = 0
index = np.arange(17)
t = 0
# Задаем влияние инерции
gammav = 0.2
# Задаем влияние масштабирования
gammag = 0.2
# Инициализируем инерцию
v111 = 0.01
v112 = 0.01
v113 = 0.01
v114 = 0.01
v121 = 0.01
v122 = 0.01
v123 = 0.01
v124 = 0.01
 
v211 = 0.01
v212 = 0.01
v221 = 0.01
v222 = 0.01
 
v311 = 0.01
v312 = 0.01
# Инициализируем масштабирование
g111 = 0.02
g112 = 0.02
g113 = 0.02
g114 = 0.02
g121 = 0.02
g122 = 0.02
g123 = 0.02
g124 = 0.02
 
g211 = 0.02
g212 = 0.02
g221 = 0.02
g222 = 0.02
 
g311 = 0.02
g312 = 0.02
for k in range(4000):
    np.random.shuffle(index)
    loss_old = loss_new
    for i in index:
        # Посчитаем значения на выходах нейронов для 0 элемента обучающей выборки
        # Входного слоя
        neu_in = [0, 0]
        neu_in[0] = neuro_in(w111, w112, w113, w114, dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3])
        neu_in[1] = neuro_in(w121, w122, w123, w124, dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3])
 
        # Скрытого слоя
        neu_deep = [0, 0]
        neu_deep[0] = neuro_deep(w211, w212, neu_in[0], neu_in[1])
        neu_deep[1] = neuro_deep(w221, w222, neu_in[0], neu_in[1])
 
        # Выходного слоя
        neu_out = neuro_out(w311, w312, neu_deep[0], neu_deep[1])
 
        # Рассчитаем ошибку ответа сети
        delta = dataY[i] - neu_out
 
        # Посчитаем значение градиента функции потерь, используя обратное распространение ошибки delta
        # Производные для весов выходного слоя
        diffEw311 = 2 * delta * neu_deep[0]
        diffEw312 = 2 * delta * neu_deep[1]
 
        # Производные для весов скрытого слоя
        diffEw211 = 2 * delta * w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * neu_in[0]
        diffEw212 = 2 * delta * w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * neu_in[1]
 
        diffEw221 = 2 * delta * w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * neu_in[0]
        diffEw222 = 2 * delta * w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * neu_in[1]
 
        # Производные для весов входного слоя
        diffEw111 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w211 +
                                 w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w221
                                 ) * diff_neuro_in(w111, w112, w113, w114,
                                                   dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3]) * dataX[i][0]
 
        diffEw112 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w211 +
                                 w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w221
                                 ) * diff_neuro_in(w111, w112, w113, w114,
                                                   dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3]) * dataX[i][1]
 
        diffEw113 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w211 +
                                 w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w221
                                 ) * diff_neuro_in(w111, w112, w113, w114,
                                                   dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3]) * dataX[i][2]
 
        diffEw114 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w211 +
                                 w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w221
                                 ) * diff_neuro_in(w111, w112, w113, w114,
                                                   dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3]) * dataX[i][3]
 
        diffEw121 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w212 +
                                 w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w222
                                 ) * diff_neuro_in(w121, w122, w123, w124,
                                                   dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3]) * dataX[i][0]
 
        diffEw122 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w212 +
                                 w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w222
                                 ) * diff_neuro_in(w121, w122, w123, w124,
                                                   dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3]) * dataX[i][1]
 
        diffEw123 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w212 +
                                 w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w222
                                 ) * diff_neuro_in(w121, w122, w123, w124,
                                                   dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3]) * dataX[i][2]
 
        diffEw124 = 2 * delta * (w311 * diff_neuro_deep(w211, w212, neu_in[0], neu_in[1]) * w212 +
                                 w312 * diff_neuro_deep(w221, w222, neu_in[0], neu_in[1]) * w222
                                 ) * diff_neuro_in(w121, w122, w123, w124,
                                                   dataX[i][0], dataX[i][1], dataX[i][2], dataX[i][3]) * dataX[i][3]
 
        # Корректируем инерцияю
        gvt = (1 - gammav ** (t + 1))
        # Запишите формулу скользящего среднего для обновления инерции весов модели.
        #v111 = ???
        #v112 = ???
        #v113 = ???
        #v114 = ???
        #v121 = ???
        #v122 = ???
        #v123 = ???
        #v124 = ???
 
        #v211 = ???
        #v212 = ???
        #v221 = ???
        #v222 = ???
 
        #v311 = ???
        #v312 = ???
        #начало добавленного кода
        v111 = (gammav*v111 + (1 - gammav)*diffEw111)/gvt
        v112 = (gammav*v112 + (1 - gammav)*diffEw112)/gvt
        v113 = (gammav*v113 + (1 - gammav)*diffEw113)/gvt
        v114 = (gammav*v114 + (1 - gammav)*diffEw114)/gvt
        v121 = (gammav*v121 + (1 - gammav)*diffEw121)/gvt
        v122 = (gammav*v122 + (1 - gammav)*diffEw122)/gvt
        v123 = (gammav*v123 + (1 - gammav)*diffEw123)/gvt
        v124 = (gammav*v124 + (1 - gammav)*diffEw124)/gvt
        
        v211 = (gammav*v211 + (1 - gammav)*diffEw211)/gvt
        v212 = (gammav*v212 + (1 - gammav)*diffEw212)/gvt
        v221 = (gammav*v221 + (1 - gammav)*diffEw221)/gvt
        v222 = (gammav*v222 + (1 - gammav)*diffEw222)/gvt
        
        v311 = (gammav*v311 + (1 - gammav)*diffEw311)/gvt
        v312 = (gammav*v312 + (1 - gammav)*diffEw312)/gvt
        #конец добавленного кода
 
        # Корректируем масштабирование
        ggt = (1 - gammag ** (t + 1))
        # Запишите формулу скользящего среднего для обновления масштабирования весов модели.
        #g111 = ???
        #g112 = ???
        #g113 = ???
        #g114 = ???
        #g121 = ???
        #g122 = ???
        #g123 = ???
        #g124 = ???
 
        #g211 = ???
        #g212 = ???
        #g221 = ???
        #g222 = ???
 
        #g311 = ???
        #g312 = ???
        #начало добавленного кода
        g111 = (gammag*g111 + (1 - gammag)*diffEw111*diffEw111)/ggt
        g112 = (gammag*g112 + (1 - gammag)*diffEw112*diffEw112)/ggt
        g113 = (gammag*g113 + (1 - gammag)*diffEw113*diffEw113)/ggt
        g114 = (gammag*g114 + (1 - gammag)*diffEw114*diffEw114)/ggt
        g121 = (gammag*g121 + (1 - gammag)*diffEw121*diffEw121)/ggt
        g122 = (gammag*g122 + (1 - gammag)*diffEw122*diffEw122)/ggt
        g123 = (gammag*g123 + (1 - gammag)*diffEw123*diffEw123)/ggt
        g124 = (gammag*g124 + (1 - gammag)*diffEw124*diffEw124)/ggt
        
        g211 = (gammag*g211 + (1 - gammag)*diffEw211*diffEw211)/ggt
        g212 = (gammag*g212 + (1 - gammag)*diffEw212*diffEw212)/ggt
        g221 = (gammag*g221 + (1 - gammag)*diffEw221*diffEw221)/ggt
        g222 = (gammag*g222 + (1 - gammag)*diffEw222*diffEw222)/ggt
        
        g311 = (gammag*g311 + (1 - gammag)*diffEw311*diffEw311)/ggt
        g312 = (gammag*g312 + (1 - gammag)*diffEw312*diffEw312)/ggt
        #конец добавленного кода
 
        # Корректируем веса
        # Веса нейронов входного слоя
        # Запишите формулу обновления весов модели с помощью инерции и масштабирования.
        w111 = w111 + h * v111 / np.sqrt(g111 + eps)
        #w112 = w112 + h *???
        #w113 = w113 + h *???
        #w114 = w114 + h *???
 
        #w121 = w121 + h *???
        #w122 = w122 + h *???
        #w123 = w123 + h *???
        #w124 = w124 + h *???
 
        # Веса нейронов скрытого слоя
        #w211 = w211 + h *???
        #w212 = w212 + h *???
 
        #w221 = w221 + h *???
        #w222 = w222 + h *???
 
        # Веса нейрона выходного слоя
        #w311 = w311 + h *???
        #w312 = w312 + h *???
        #начало добавленного кода
        w112 = w112 + ((h*v112)/(np.sqrt(g112 + eps)))
        w113 = w113 + ((h*v113)/(np.sqrt(g113 + eps)))
        w114 = w114 + ((h*v114)/(np.sqrt(g114 + eps)))
        w121 = w121 + ((h*v121)/(np.sqrt(g121 + eps)))
        w122 = w122 + ((h*v122)/(np.sqrt(g122 + eps)))
        w123 = w123 + ((h*v123)/(np.sqrt(g123 + eps)))
        w124 = w124 + ((h*v124)/(np.sqrt(g124 + eps)))
        
        w211 = w211 + ((h*v211)/(np.sqrt(g211 + eps)))
        w212 = w212 + ((h*v212)/(np.sqrt(g212 + eps)))
        w221 = w221 + ((h*v221)/(np.sqrt(g221 + eps)))
        w222 = w222 + ((h*v222)/(np.sqrt(g222 + eps)))
        
        w311 = w311 + ((h*v311)/(np.sqrt(g311 + eps)))
        w312 = w312 + ((h*v312)/(np.sqrt(g312 + eps)))
        #конец добавленного кода
 
        t += 1
 
    loss_new = loss_func(w111, w112, w113, w114, w121, w122, w123, w124,
                         w211, w212, w221, w222, w311, w312, dataY, dataX)
    if (abs(loss_new - loss_old) < eps):
        count_stop += 1
    else:
        count_stop = 0
    if loss_new < epsfunc:
        print(k + 1, 'я итерация алгоритма. Вычисляем значение функции потерь. E(w111,...,w312) = ',
              round(loss_new, 6))
        break
    if count_stop == 10:
        break
    else:
        print(k + 1, 'я итерация алгоритма. Вычисляем значение функции потерь. E(w111,...,w312) = ',
              round(loss_new, 6))
 
# Внесите значение loss_new на платформу
print(loss_new)

Новые блоги и статьи Все статьи Все блоги /
Чем асинхронная логика (схемотехника) лучше тактируемой, как я думаю, что помимо энергоэффективности - ещё и безопасность. Hrethgir 14.05.2025 Помимо огромного плюса в энергоэффективности, асинхронная логика - тотальный контроль над каждым совершённым тактом, а значит - безусловная безопасность, где безконтрольно не совершится ни одного. . .	Многопоточные приложения на C++ bytestream 14.05.2025 C++ всегда был языком, тесно работающим с железом, и потому особеннно эффективным для многопоточного программирования. Стандарт C++11 произвёл революцию, добавив в язык нативную поддержку потоков,. . .	Stack, Queue и Hashtable в C# UnmanagedCoder 14.05.2025 Каждый опытный разработчик наверняка сталкивался с ситуацией, когда невинный на первый взгляд List<T> превращался в узкое горлышко всего приложения. Причина проста: универсальность – это прекрасно,. . .	Как использовать OAuth2 со Spring Security в Java Javaican 14.05.2025 Протокол OAuth2 часто путают с механизмами аутентификации, хотя по сути это протокол авторизации. Представьте, что вместо передачи ключей от всего дома вашему другу, который пришёл полить цветы, вы. . .	Анализ текста на Python с NLTK и Spacy AI_Generated 14.05.2025 NLTK, старожил в мире обработки естественного языка на Python, содержит богатейшую коллекцию алгоритмов и готовых моделей. Эта библиотека отлично подходит для образовательных целей и. . .
Реализация DI в PHP Jason-Webb 13.05.2025 Когда я начинал писать свой первый крупный PHP-проект, моя архитектура напоминала запутаный клубок спагетти. Классы создавали другие классы внутри себя, зависимости жостко прописывались в коде, а о. . .	Обработка изображений в реальном времени на C# с OpenCV stackOverflow 13.05.2025 Объединение библиотеки компьютерного зрения OpenCV с современным языком программирования C# создаёт симбиоз, который открывает доступ к впечатляющему набору возможностей. Ключевое преимущество этого. . .	POCO, ACE, Loki и другие продвинутые C++ библиотеки NullReferenced 13.05.2025 В C++ разработки существует такое обилие библиотек, что порой кажется, будто ты заблудился в дремучем лесу. И среди этого многообразия POCO (Portable Components) – как маяк для тех, кто ищет. . .	Паттерны проектирования GoF на C# UnmanagedCoder 13.05.2025 Вы наверняка сталкивались с ситуациями, когда код разрастается до неприличных размеров, а его поддержка становится настоящим испытанием. Именно в такие моменты на помощь приходят паттерны Gang of. . .	Создаем CLI приложение на Python с Prompt Toolkit py-thonny 13.05.2025 Современные командные интерфейсы давно перестали быть черно-белыми текстовыми программами, которые многие помнят по старым операционным системам. CLI сегодня – это мощные, интуитивные и даже. . .

Опции темы

Реализация этапа изменения весов модели методом стохастического градиентного спуска

Решение