taramath: NeuralNetwork.train

Beispiel

Das folgende Beispiel veranschaulicht exemplarisch die zentralen Funktionen des NeuralNetwork-Pakets. Verwendet wird dazu ein neuronales Netz zum Design (3-4-1).

Zunächst werden Trainingsdaten bestehend aus vier Datensätzen definiert, welche zum Trainieren des neuronalen Netzes verwendet werden. Anschließend wird ein Eingangssignal (am bereits trainierten neuronalen Netz) ausgewertet und das Ergebnis entsprechend ausgegeben.

<!DOCTYPE html>
<html>
<head>
  <script src="taramath.js"></script>
</head>
<body>
<textarea id="print"></textarea>
<script>

// Trainingsdaten //

var X = [
  [[0.4,0.5,0.3],[1]],
  [[0.8,0.2,0.4],[0]],
  [[0.8,0.3,0.6],[0]],
  [[0.2,0.4,0.6],[1]]
];

// Trainieren //

NeuralNetwork.init([3,4,1]);

NeuralNetwork.set_batch_size(2);
NeuralNetwork.set_learning_rate(4);
NeuralNetwork.set_number_of_iterations(100);

NeuralNetwork.train(X);

// Auswerten //

var x = [0.5, 0.2, 0.0];
var y = NeuralNetwork.evaluate(x);

Print.init("print");
Print.object(y);

</script>
</body>
</html>

Vorschau aktualisieren

Beispiel

Anhand von zehn Funktionswerten soll ein neuronales Netz darüber entscheiden, ob es sich bei der zugehörigen Funktion um eine lineare Funktion oder um eine Sinusfunktion handelt. Verwendet wird ein neuronales Netz mit einer verborgenen Schicht, genauer ein neuronales Netz zum Design (10-6-2). Sowohl Trainingsdaten (10000 Datensätze) als auch Testdaten (1000 Datensätze) werden zufällig generiert.

Tipp: Verändere die Parameter der Trainingsphase, führe das Skript erneut aus und beobachte die Ergebnisse. Erhöhe dabei insbesondere die Anzahl der Iterationen. Verändere auch das Design des neuronalen Netzes, sodass keine verborgenen Schichten verwendet werden.

<!DOCTYPE html>
<html>
<head>
  <script src="taramath.js"></script>
</head>
<body>
<textarea id="print"></textarea>
<script>

// Funktion zum Daten generieren //

function generate_data (n) {
  var X = [];
  for (var k = 0; k < n; k++) {
    var x = [0,0,0,0,0,0,0,0,0,0];
    if (Math.random() < 0.5) {
      // Lineare Funktion
      var a = Math.random();
      var b = Math.random();
      for (var i = 0; i < 10; i++) x[i] = a + (b-a) * (i*0.1);
      X.push([x, [1,0]]);
    } else {
      // Sinusfunktion
      var a = 0.4*Math.random() + 0.1;
      var f = 8*Math.random() + 2;
      var v = 2*Math.PI*Math.random();
      for (var i = 0; i < 10; i++) x[i] = 0.5 + a * Math.sin(f * (i*0.1) + v);
      X.push([x, [0,1]]);
    };
  };
  return X;
};

// Trainieren //

NeuralNetwork.init([10,6,2]);

NeuralNetwork.set_batch_size(100);
NeuralNetwork.set_learning_rate(4);
NeuralNetwork.set_number_of_iterations(1000);

var X = generate_data(10000);
NeuralNetwork.train(X);

// Testen //

var T = generate_data(1000);
var M = NeuralNetwork.test(T, "max");

// Ergebnisse ausgeben //

Print.init("print");
Print.object("Prozent richtig erkannt:");
Print.object(100*(M[0][0]+M[1][1]) / T.length);
Print.object("Konfusionsmatrix:");
Print.set_digits(0);
Print.object(M);

</script>
</body>
</html>

Vorschau aktualisieren

NeuralNetwork.train

zum Trainieren eines neuronalen Netzes