用python训练计算机进行自主学习
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了用python训练计算机进行自主学习，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含3982字，纯文字阅读大概需要6分钟。
内容图文
用python训练计算机进行自主学习
在本文中，将训练本地计算机进行加法自主学习（之后还有减法与混合学习）。本项目可改性较高，资源以上传至资源库。
- 实现效果
- 程序编写
- 初始化各参数（随机训练数）
- 定义训练数字与学习对象（进行学习）
- 输出学习成果（自主学习运算结果）
- 总程序
- 应用场景
实现效果
通过让机器学习随机的加法数据以及答案自主分析，自主学习与加法有关的知识，并进行输出随机的加法算式答案（有细微误差，但都保持在0.1以内。输出中最大误差为算式[0.3, 0.4] -> [0.7302519951913294]）
（程序流程图）
程序编写
本项目运用IDLE编写，需通过cmd事先安装 math、random、string库。
初始化各参数（随机训练数）
初始化、定义random函数，先随机生成一个加法算式（两个随机数字）。再初始、定义化各个学习模块和输出模块。
import math
import random
import string
random.seed(0)
def rand(a, b):
return (b-a)*random.random() + a
def makeMatrix(I, J, fill=0.0):
m = []
for i in range(I):
m.append([fill]*J)
return m
def sigmoid(x):
return math.tanh(x)
def dsigmoid(y):
return 1.0 - y**2
为了更清楚空了几行~
定义训练数字与学习对象（进行学习）
对刚刚随机输出的加法算式及其答案进行学习，并尝试自主解加法运算，如答案错误，便重新学习，并输出错误结果并做标记；如答案正确，便继续运行至下个环节。
class NN:
def __init__(self, ni, nh, no):
self.ni = ni + 1
self.nh = nh
self.no = no
self.ai = [1.0]*self.ni
self.ah = [1.0]*self.nh
self.ao = [1.0]*self.no
self.wi = makeMatrix(self.ni, self.nh)
self.wo = makeMatrix(self.nh, self.no)
for i in range(self.ni):
for j in range(self.nh):
self.wi[i][j] = rand(-0.2, 0.2)
for j in range(self.nh):
for k in range(self.no):
self.wo[j][k] = rand(-2.0, 2.0)
self.ci = makeMatrix(self.ni, self.nh)
self.co = makeMatrix(self.nh, self.no）
def update(self, inputs):
if len(inputs) != self.ni-1:
raise ValueError('wrong number of inputs')
for i in range(self.ni-1):
self.ai[i] = inputs[i]
for j in range(self.nh):
sum = 0.0
for i in range(self.ni):
sum = sum + self.ai[i] * self.wi[i][j]
self.ah[j] = sigmoid(sum)
for k in range(self.no):
sum = 0.0
for j in range(self.nh):
sum = sum + self.ah[j] * self.wo[j][k]
self.ao[k] = sigmoid(sum)
return self.ao[:]
def backPropagate(self, targets, N, M):
if len(targets) != self.no:
raise ValueError('wrong number of target values')
output_deltas = [0.0] * self.no
for k in range(self.no):
error = targets[k]-self.ao[k]
output_deltas[k] = dsigmoid(self.ao[k]) * error
hidden_deltas = [0.0] * self.nh
for j in range(self.nh):
error = 0.0
for k in range(self.no):
error = error + output_deltas[k]*self.wo[j][k]
hidden_deltas[j] = dsigmoid(self.ah[j]) * error
for j in range(self.nh):
for k in range(self.no):
change = output_deltas[k]*self.ah[j]
self.wo[j][k] = self.wo[j][k] + N*change + M*self.co[j][k]
self.co[j][k] = change
for i in range(self.ni):
for j in range(self.nh):
change = hidden_deltas[j]*self.ai[i]
self.wi[i][j] = self.wi[i][j] + N*change + M*self.ci[i][j]
self.ci[i][j] = change
error = 0.0
for k in range(len(targets)):
error = error + 0.5*(targets[k]-self.ao[k])**2
return error
def test(self, patterns):
for p in patterns:
print(p[0], '->', self.update(p[0]))
def weights(self):
print('Input weights:')
for i in range(self.ni):
print(self.wi[i])
print()
print('Output weights:')
for j in range(self.nh):
print(self.wo[j])
def train(self, patterns, iterations=2000, N=0.5, M=0.1):
for i in range(iterations):
error = 0.0
for p in patterns:
inputs = p[0]
targets = p[1]
self.update(inputs)
error = error + self.backPropagate(targets, N, M)
if i % 100 == 0:
print('error %-.5f' % error)
输出学习成果（自主学习运算结果）
机器做出近似正确答案后输出，并显示学习结果。
def demo():
pat = [
[[0.5, 0.5], [1.0]],
[[0.2, 0.3], [0.5]],
[[1,0], [1]],
[[0.1, 0.1], [0.2]],
[[0.4, 0.5], [0.9]],
[[0.6, 0.1], [0.7]]
]
n = NN(2, 4, 1)
n.train(pat)
n.test(pat)
n.test( [[[0.3, 0.4]]] )
n.test( [[[0.2, 0.7]]] )
if __name__ == '__main__':
demo()
下面是输出结果：
总程序
文件已上传，由于比较长这里就不汇总了。记得关注凉了本凉后到资源库中下载哦！（也可复制上面的再自行汇总）
应用场景
本项目与之前的一样，有很强的可改性，可大幅度自定义，让机器学习其他行为。本程序只是机器学习的一种方案。（以后还会有其他方案教程）
后可能会有关于自己训练程序的文章~ 六年级凉了本人，请支持~
内容总结
以上是互联网集市为您收集整理的用python训练计算机进行自主学习全部内容，希望文章能够帮你解决用python训练计算机进行自主学习所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。