Python Pybrain-哪个重量属于哪个连接?
我和pybrain有点问题。我创建了一个简单的xor问题,并使用pybrain在不使用偏差的情况下解决它,然后使用一个简单的算法获得从一层到下一层的所有权重。这里一切正常,不需要知道哪个重量属于哪个连接 当我尝试用VHDL复制神经网络时,问题就出现了。我尝试过在许多组合中使用权重,但没有成功地按照正确的顺序使用它们(我最初认为问题在于VHDL代码,但后来我尝试手动执行相同的操作,但最终得到相同的结果) 网络看起来像这样Python Pybrain-哪个重量属于哪个连接?,python,algorithm,neural-network,Python,Algorithm,Neural Network,我和pybrain有点问题。我创建了一个简单的xor问题,并使用pybrain在不使用偏差的情况下解决它,然后使用一个简单的算法获得从一层到下一层的所有权重。这里一切正常,不需要知道哪个重量属于哪个连接 当我尝试用VHDL复制神经网络时,问题就出现了。我尝试过在许多组合中使用权重,但没有成功地按照正确的顺序使用它们(我最初认为问题在于VHDL代码,但后来我尝试手动执行相同的操作,但最终得到相同的结果) 网络看起来像这样 c1/5- O c9- O c2/6- O c10-
c1/5- O c9-
O c2/6- O c10- O
O c3/7- O c11-
c4/8- O c12-
in|hidden|out
O是神经元,cN是连接
获得的权重如下所示:
in->hidden0=>[-1.5370131 0.20571103-0.55526946 2.24190836 1.25758021 0.0099828 3.41607776 3.60830287]
hidden0->out=>[1.18471773-2.20053965-2.60886924 3.70095397]
我试着先用两种最明显的方式来唱:
First combo| Second combo
c1 -> -1.537 | -1.53
c2 -> 0.206 | 1.257
c3 -> -0.555 | 0.205
c4 -> 2,242 | 0.0099
c5 -> 1.257 | -0.555
c6 -> 0.0099 | 3.416
c7 -> 3.416 | 2.242
c8 -> 3.608 | 3.608
c9 -> 1.185 | 1.185
c10 -> -2.2 | -2.2
c11 -> -2.609 | -2.609
c12 -> 3.7 | 3.7
对于两个组合,我得到了大致相同的结果~0.5。
这意味着我使用重量的方式或者我做数学的方式绝对有问题
我用以下方法计算:
in -> hidden
suppose input "11"
1 * c1 + 1 * c2 = RES
output = sigmoid(RES)
1 * c3 + 1 * c4 = RES2
output2 = sigmoid(RES2)
and so on
hidden -> out
output * c9 = RES9
final = sigmoid(RES9)
output2 * c10 = RES10
final = sigmoid (RES10)
and so on
现在想象一下,我也尝试了另一种组合。上述组合为c1-c2,另一组合为c1-c5
我在这里用VHDL实现了相同的东西,结果与我手动获得的结果相同
为了验证我的VHDL代码,我需要正确的权重顺序。我知道这应该是可行的,因为我通过运行pybrain得到的结果是:
[1,0][0.95923448]
[0,1][0.95626049]
[0,0][0.03813141]
[1,1][0.05266151]
PS:我使用的xor就是在这个例子中得到的。我只修改了隐藏层中神经元的数量,将偏差修改为False,并使用hiddenclass=SigmoidLayer。获得权重的代码可以是以下2项中的任意一项:
第一个代码
for c in [connection for connections in net.connections.values() for connection in connections]:
print("{} -> {} => {}".format(c.inmod.name, c.outmod.name, c.params))
for mod in net.modules:
print("Module:", mod.name)
if mod.paramdim > 0:
print("--parameters:", mod.params)
for conn in net.connections[mod]:
print("-connection to", conn.outmod.name)
if conn.paramdim > 0:
print("- parameters", conn.params)
if hasattr(net, "recurrentConns"):
print("Recurrent connections")
for conn in net.recurrentConns:
print("-", conn.inmod.name, " to", conn.outmod.name)
if conn.paramdim > 0:
print("- parameters", conn.params)
第二个代码
for c in [connection for connections in net.connections.values() for connection in connections]:
print("{} -> {} => {}".format(c.inmod.name, c.outmod.name, c.params))
for mod in net.modules:
print("Module:", mod.name)
if mod.paramdim > 0:
print("--parameters:", mod.params)
for conn in net.connections[mod]:
print("-connection to", conn.outmod.name)
if conn.paramdim > 0:
print("- parameters", conn.params)
if hasattr(net, "recurrentConns"):
print("Recurrent connections")
for conn in net.recurrentConns:
print("-", conn.inmod.name, " to", conn.outmod.name)
if conn.paramdim > 0:
print("- parameters", conn.params)
这两个片段都是从stackoverflow问题中获得的。如果你愿意,我可以找他们并在这里发布链接 好的,我找到了我想要的答案 配重并排(c1-c2)。 这意味着正确的重量为:
c1 -> -1.537
c2 -> 0.206
c3 -> -0.555
c4 -> 2,242
c5 -> 1.257
c6 -> 0.0099
c7 -> 3.416
c8 -> 3.608
c9 -> 1.185
c10 -> -2.2
c11 -> -2.609
c12 -> 3.7
要获得正确的权重顺序,请执行以下操作:
for c in [connection for connections in net.connections.values() for connection in connections]:
print("{} -> {} => {}".format(c.inmod.name, c.outmod.name, c.params))
print("org {}", reshape(c.params, (c.outdim, c.indim)))
获取数据的代码是:
重塑(c.params,(c.outdim,c.indim))
其中“c”是与神经元的连接
权重如下所示:
[[-1.537 0.206],
[-0.555 2.242],
[1.257 0.0099],
[3.416 3.608]]
及
每一行都是与神经元的连接
例如:
Suppose input = "10"
1 * -1.537 + 0 * 0.206
and then goes to the sigmoid function
and so on
我已经试过了,但没有成功,这是有道理的,因为我做错了。创建新网络时,可以向其传递一些参数,其中包括hiddenclass和outclass。我将hiddenclass设置为SigmoidLayer,但没有初始化outclass,它是用默认值LinearLayer初始化的。这意味着,当我用VHDL实现代码时,以及当我通过手工计算进行测试时,我正在做一个额外的sigmoid函数
如果有2个以上的输入连接到隐藏层,假设有4个,它将如下所示:
[[c1 c2 c3],
[c4 c5 c6],
[c7 c8 c9]]
等等
祝未来需要这个的人好运好的,我找到了我想要的答案 配重并排(c1-c2)。 这意味着正确的重量为:
c1 -> -1.537
c2 -> 0.206
c3 -> -0.555
c4 -> 2,242
c5 -> 1.257
c6 -> 0.0099
c7 -> 3.416
c8 -> 3.608
c9 -> 1.185
c10 -> -2.2
c11 -> -2.609
c12 -> 3.7
要获得正确的权重顺序,请执行以下操作:
for c in [connection for connections in net.connections.values() for connection in connections]:
print("{} -> {} => {}".format(c.inmod.name, c.outmod.name, c.params))
print("org {}", reshape(c.params, (c.outdim, c.indim)))
获取数据的代码是:
重塑(c.params,(c.outdim,c.indim))
其中“c”是与神经元的连接
权重如下所示:
[[-1.537 0.206],
[-0.555 2.242],
[1.257 0.0099],
[3.416 3.608]]
及
每一行都是与神经元的连接
例如:
Suppose input = "10"
1 * -1.537 + 0 * 0.206
and then goes to the sigmoid function
and so on
我已经试过了,但没有成功,这是有道理的,因为我做错了。创建新网络时,可以向其传递一些参数,其中包括hiddenclass和outclass。我将hiddenclass设置为SigmoidLayer,但没有初始化outclass,它是用默认值LinearLayer初始化的。这意味着,当我用VHDL实现代码时,以及当我通过手工计算进行测试时,我正在做一个额外的sigmoid函数
如果有2个以上的输入连接到隐藏层,假设有4个,它将如下所示:
[[c1 c2 c3],
[c4 c5 c6],
[c7 c8 c9]]
等等
祝未来有需要的人好运