基于python的第一个深度神经网络-交通信号灯学习

序言:常言道,在实践中学习,在理论中提升。辗辗转转看了几本神经网络的书,磕磕绊绊地了解了一些概念,对于神经网络还是懵懵懂懂。在matlab里跑代码,纯调用库函数,真的是闭着眼睛开车。幸运的是,赶巧遇到了以下两本神作,对神经网络的本质算是一知半解。

  • Python神经网络编程,塔里克.拉希德著,人民邮电出版社出版。

  • 深度学习图解,安德鲁.特拉斯克著,清华大学出版社出版。

对于神经网络来说,选择一个好的评估函数、训练函数、传递函数后,使用合适的大量的训练数据训练则成为关键。学习的关键在于调整网络的权值使误差最小。

看书至今,由于懒,代码不曾写过一行。今天是周日,桂林天寒地冻,山里风大。看到了《深度学习图解》的第6章,勾起了兴趣,瞧一瞧书本上的样例程序,照葫芦画瓢,越画越像。

抛去所有背景知识,直接上代码。在书本的范例基础上,引入了函数。模块化编程,简单就是美。

# streetlightlearning.py

# Create a backprogation network to learn a streetlights

# author: andrew W.Trask & Icefish

import numpy as np

weights = np.array([0.5, 0.48, -0.7])

alpha = 0.1

# define input as streetlights and output as walk_vs_stop

streetlights = np.array([[1, 0, 1],

                        [0, 1, 1],

                        [0, 0, 1],

                        [1, 1, 1],

                        [0, 1, 1],

                        [1, 0, 1]])

walk_vs_stop = np.array([[0],

                        [1],

                        [0],

                        [1],

                        [1],

                        [0]])

##input_data = streetlights[0]

##goal_prediction = walk_vs_stop[0]

##

##for iteration in range(1000):

##    prediction = input_data.dot(weights)

##    error = (goal_prediction - prediction)**2

##    delta = prediction - goal_prediction

##    weights = weights - (alpha*(input_data*delta))

##    print("Error:"+str(error)+"Prediction:"+str(prediction))

# 训练函数,迭代次数可自定义

def train(iteration_times):

    global weights

    global streetlights

    global walk_vs_stop



    for iteration in range(iteration_times):

        error_for_all_lights = 0

        for row_index in range(len(walk_vs_stop)):

            input_data = streetlights[row_index]

            goal_prediction = walk_vs_stop[row_index]

            prediction = input_data.dot(weights) # output of the network

            error = (prediction - goal_prediction)**2

            error_for_all_lights = error_for_all_lights + error

            delta = prediction - goal_prediction

            weights = weights - (alpha*(input_data*delta))

            print("Prediction:"+str(prediction))

    print("Error:"+str(error_for_all_lights)+"\n")

def sim(streetlights_input):

    global weights;

    return streetlights_input.dot(weights)

def main():

    input_str = input("请输入网络训练迭代次数:")

    iteration_times = int(input_str)

    if iteration_times>0 :

        train(iteration_times)

    else:

        print("迭代次数输入有误,程序终止!")

        return

    #训练完成,提示用户使用训练好的网络

    while(True):

        a,b,c = input("输入信号灯状态,用逗号,隔开:").split(',')

        a = int(a)

        b = int(b)

        c = int(c)

        input_data = np.array([a,b,c])

        prediction = sim(input_data)

        status = int(round(prediction,0))

        print("Prediction:"+str(status)+"\n")

        if status == 1:

            print("walk now is safe.\n")

        else:

            print("stop,or walk to hell.\n")



if __name__ == '__main__':

    main()

运行OK

你可能感兴趣的:(基于python的第一个深度神经网络-交通信号灯学习)