训练感知器
- 创建 感知器对象
- 创建 训练函数
- 训练感知器以得到正确答案
训练任务
想象一个空间中有分散的 x y 点，以及一条直线。
训练一个感知器来区分直线之上和之下的点。
创建感知器对象
创建一个感知器对象。可以命名为任何名称（例如 Perceptron）。
让感知器接受两个参数
- 输入数量（no）
- 学习率（learningRate）。
将默认学习率设置为 0.00001。
然后为每个输入生成介于 -1 和 1 之间的随机权重。
示例
// Perceptron Object
function Perceptron(no, learningRate = 0.00001) {
// Set Initial Values
this.learnc = learningRate;
this.bias = 1;
// Compute Random Weights
this.weights = [];
for (let i = 0; i <= no; i++) {
this.weights[i] = Math.random() * 2 - 1;
}
// End Perceptron Object
}
随机权重
感知器将从每个输入的 随机权重 开始。
学习率
在训练感知器的过程中，每次出现错误，权重都会以一个小的分数进行调整。
这个小的分数就是“感知器的学习率”。
在感知器对象中，我们称之为 learnc。
偏置
有时，如果两个输入都为零，感知器可能会产生不正确的输出。
为了避免这种情况，我们给感知器一个额外的输入，其值为 1。
这被称为 偏置。
添加一个激活函数
记住感知器算法
- 将每个输入与感知器的权重相乘
- 对结果进行求和
- 计算输出
示例
this.activate = function(inputs) {
let sum = 0;
for (let i = 0; i < inputs.length; i++) {
sum += inputs[i] * this.weights[i];
}
if (sum > 0) {return 1} else {return 0}
}
激活函数将输出
- 如果和大于 0，则为 1
- 如果和小于 0，则为 0
创建训练函数
训练函数根据激活函数猜测结果。
每次猜测错误时，感知器都应调整权重。
经过多次猜测和调整，权重就会变得正确。
示例
this.train = function(inputs, desired) {
inputs.push(this.bias);
let guess = this.activate(inputs);
let error = desired - guess;
if (error != 0) {
for (let i = 0; i < inputs.length; i++) {
this.weights[i] += this.learnc * error * inputs[i];
}
}
}
反向传播
每次猜测后，感知器都会计算猜测的错误程度。
如果猜测错误，感知器会调整偏置和权重，以便下次猜测能更准确一些。
这种学习类型称为 反向传播。
在尝试（数千次）之后，你的感知器将非常擅长猜测。
创建你自己的库
库代码
// Perceptron Object
function Perceptron(no, learningRate = 0.00001) {
// Set Initial Values
this.learnc = learningRate;
this.bias = 1;
// Compute Random Weights
this.weights = [];
for (let i = 0; i <= no; i++) {
this.weights[i] = Math.random() * 2 - 1;
}
// Activate Function
this.activate = function(inputs) {
let sum = 0;
for (let i = 0; i < inputs.length; i++) {
sum += inputs[i] * this.weights[i];
}
if (sum > 0) {return 1} else {return 0}
}
// Train Function
this.train = function(inputs, desired) {
inputs.push(this.bias);
let guess = this.activate(inputs);
let error = desired - guess;
if (error != 0) {
for (let i = 0; i < inputs.length; i++) {
this.weights[i] += this.learnc * error * inputs[i];
}
}
}
// End Perceptron Object
}
现在你可以在 HTML 中包含该库
<script src="myperceptron.js"></script>
使用你的库
示例
// Initiate Values
const numPoints = 500;
const learningRate = 0.00001;
// Create a Plotter
const plotter = new XYPlotter("myCanvas");
plotter.transformXY();
const xMax = plotter.xMax;
const yMax = plotter.yMax;
const xMin = plotter.xMin;
const yMin = plotter.yMin;
// Create Random XY Points
const xPoints = [];
const yPoints = [];
for (let i = 0; i < numPoints; i++) {
xPoints[i] = Math.random() * xMax;
yPoints[i] = Math.random() * yMax;
}
// 线条函数
function f(x) {
return x * 1.2 + 50;
}
// Plot the Line
plotter.plotLine(xMin, f(xMin), xMax, f(xMax), "black");
// Compute Desired Answers
const desired = [];
for (let i = 0; i < numPoints; i++) {
desired[i] = 0;
if (yPoints[i] > f(xPoints[i])) {desired[i] = 1}
}
// Create a Perceptron
const ptron = new Perceptron(2, learningRate);
// Train the Perceptron
for (let j = 0; j <= 10000; j++) {
for (let i = 0; i < numPoints; i++) {
ptron.train([xPoints[i], yPoints[i]], desired[i]);
}
}
// Display the Result
for (let i = 0; i < numPoints; i++) {
const x = xPoints[i];
const y = yPoints[i];
let guess = ptron.activate([x, y, ptron.bias]);
let color = "black";
if (guess == 0) color = "blue";
plotter.plotPoint(x, y, color);
}
