De uitgangen leren

Je kunt de tekens nu inlezen, met hun labels. In stap 4 kreeg je de gewichten van de vier uitgangen. Nu leert elke uitgang ze zelf, met leer uit het vorige project. Elke uitgang leert één vraag: ben ik het?

Voorspel

labels = [0, 1, 0, 3]

for soort in [0, 3]:
    doelen = []
    for label in labels:
        if label == soort:
            doelen.append(1)
        else:
            doelen.append(0)
    print(soort, doelen)

Wat print dit programma?

Antwoord

0 [1, 0, 1, 0]
3 [0, 0, 0, 1]

Voor soort 0 is het doel 1 bij elk plaatje met label 0, en 0 bij de rest. Voor soort 3 alleen bij het laatste plaatje.

Zo werkt het

De uitgang van | is een neuron dat 1 moet zeggen bij een staande streep en 0 bij elk ander teken. Dat is een gewone vraag met ja of nee, en die leert leer uit voorbeelden zoals bij EN. Je maakt dus per soort eigen voorbeelden: hetzelfde plaatje, met als doel 1 of 0. Zo leer je de vier uitgangen één voor één.

Daarna herkent herken uit stap 4 een plaatje met de geleerde gewichten: de uitgang met de grootste som wint. Traffic maakt de doelen op dezelfde manier: label 2 wordt een rij met een 1 op positie 2 en verder nullen. Die regel staat al in de code die je krijgt.

Opdracht: een netwerk dat leert

In de verborgen code staan de tekens uit de vorige stap, maar meer: elk teken zoals het hoort, en negen keer met één pixel anders. Laat alle vier de uitgangen leren, en herken daarna twee plaatjes die er niet tussen zitten, met twee pixels anders:

40 plaatjes van 4 soorten
[0, 0, 0, -4]
o
x

Begin klein, en breid de code stap voor stap uit:

1. Draai de code: alleen de uitgang van |, soort 0, leert zijn gewichten.
2. Zet het leren in een loop for soort in range(len(soorten)), met soort in plaats van 0. Bewaar de gewichten en de bias van elke uitgang met append in alle_gewichten en biases. Print biases: [0, 0, 0, -4].
3. Herken elk plaatje in nieuwe met naar_getallen en herken, en print zijn soort.
4. Zet het leren in een functie leer_netwerk(plaatjes, labels, aantal_soorten, rondes) die alle_gewichten en biases teruggeeft.

Python

Code-omgeving wordt voorbereid…

Tip

Maak alle_gewichten en biases leeg vóór de loop over de soorten, en voorbeelden leeg erin. Waarom moet voorbeelden bij elke soort opnieuw leeg beginnen?

Antwoord

Dit vervangt alles in de editor:

def leer_netwerk(plaatjes, labels, aantal_soorten, rondes):
    alle_gewichten = []
    biases = []
    for soort in range(aantal_soorten):
        voorbeelden = []
        for i in range(len(plaatjes)):
            if labels[i] == soort:
                voorbeelden.append((plaatjes[i], 1))
            else:
                voorbeelden.append((plaatjes[i], 0))
        gewichten, bias = leer(voorbeelden, rondes)
        alle_gewichten.append(gewichten)
        biases.append(bias)
    return alle_gewichten, biases

plaatjes, labels = lees_tekens(mappen)
print(len(plaatjes), "plaatjes van", len(soorten), "soorten")

nieuwe = [["##.", "#.#", "##."], ["#.#", ".#.", "#.."]]

alle_gewichten, biases = leer_netwerk(plaatjes, labels, len(soorten), 10)
print(biases)
for plaatje in nieuwe:
    print(soorten[herken(naar_getallen(plaatje), alle_gewichten, biases)])

40 plaatjes van 4 soorten
[0, 0, 0, -4]
o
x

Het eerste plaatje is een ring zonder rechterkant, het tweede een kruis zonder de pixel rechtsonder. Geen van beide stond bij de voorbeelden, en toch herkent het netwerk ze. De uitgang van o leert een bias van -4. Een ring heeft acht zwarte pixels, en door die bias begint zijn som lager: een plaatje met veel zwart is niet vanzelf een ring.

Door naar aan de slag met Traffic.