Čtvrtek , 26 Červen 2025
Domů Programování Neuronová sít v PyBrain
ProgramováníPythonStrojové učeníUmělá inteligence

Neuronová sít v PyBrain

blank
blank

Příklad: Vytvoření jednoduchého XOR problému řešeného pomocí neuronové sítě v PyBrain

Představme si, že chceme naučit neuronovou síť řešit XOR problém. XOR je logická operace, která má následující pravdivostní tabulku:

A | B | Výstup

0 | 0 | 0

0 | 1 | 1

1 | 0 | 1

1 | 1 | 0

Postup:

  1. Importování knihoven:
from pybrain.tools.shortcuts import buildNetwork
from pybrain.datasets import SupervisedDataSet
from pybrain.supervised.trainers import BackpropTrainer
  1. Vytvoření neuronové sítě:
net = buildNetwork(2, 2, 1) # 2 vstupní neurony, 2 neurony ve skryté vrstvě, 1 výstupní neuron
  1. Vytvoření datasetu pro trénink:
ds = SupervisedDataSet(2, 1) # 2 vstupní hodnoty, 1 výstupní hodnota

# Přidání tréninkových vzorů
ds.addSample((0, 0), (0,))
ds.addSample((0, 1), (1,))
ds.addSample((1, 0), (1,))
ds.addSample((1, 1), (0,))
  1. Trénování neuronové sítě pomocí algoritmu zpětného šíření chyby (backpropagation):
trainer = BackpropTrainer(net, ds)
trainer.trainEpochs(epochs=1000) # Počet epoch tréninku
  1. Testování naučené neuronové sítě na vstupních datech:
for input, target in ds:
    prediction = net.activate(input)
    print("Vstup: {}, Očekávaný výstup: {}, Předpověď: {:.2f}".format(input, target, prediction[0]))

V tomto příkladě jsme vytvořili jednoduchou neuronovou síť s jednou skrytou vrstvou, která řeší XOR problém. Neuronová síť má 2 vstupní neurony, 2 neurony ve skryté vrstvě a 1 výstupní neuron. Pro trénink neuronové sítě jsme použili algoritmus zpětného šíření chyby (backpropagation) a tréninkový dataset obsahuje čtyři vzory pro všechny možné kombinace vstupních hodnot A a B. Poté, co jsme neuronovou síť natrénovali, jsme ji otestovali na vstupních datech a zkontrolovali, zda správně předpovídá výstupy pro XOR problém.

Zanechte komentář

Napsat komentář

Související články

blank
Strojové viděníUmělá inteligence

Strojové vidění & AI v průmyslu: Moderní řešení výroby a kontroly kvality

📸 ÚvodStrojové vidění ve spojení s umělou inteligencí (AI) mění průmyslové provozy:...

blank
Kvantové počítačeStrojové učeníUmělá inteligence

Kvantové strojové učení

⚛️ Úvod do kvantového strojového učeníKvantové strojové učení (Quantum Machine Learning, QML)...

blank
ProgramováníStrojové učeníUmělá inteligence

Neuromorfní čipy vs. GPU/TPU

Top články Neuromorfní čipy vs. GPU/TPU 19. 6. 2025 Edge-AI v IoT:...

blank
Umělá inteligence

Edge-AI v IoT: Výzvy a řešení pro inteligentní zařízení

🌐 Co je Edge-AI v IoT?Edge-AI kombinuje umělou inteligenci (AI) a Internet...