用 C++ 实现的感知器未按预期进行训练。（与逻辑门示例）

Question

下面是我的感知器实现。

FOR循环的最后一次迭代给出结果：

Input: 0 Input: 0

Output: 0.761594

Error: -0.761594

经过如此多的训练样本，这显然是错误的。

最后几行代码给出了

Input: 1 Input: 1

Output: 0.379652

Error: 0.620348

哪里又错了，而且还差得远...

（所有关于构造函数中的随机权重值。）

但是，如果我只对示例值 (1,1,1) 进行迭代，则每次迭代的结果都会更接近 1，这就是它应该工作的方式。

所以我想知道这可能是什么原因造成的？因为感知器应该能够学习与门，因为输出是线性可分的。

#include <iostream>
#include <time.h>
#include <stdlib.h>
#include <Windows.h>
#include <math.h>


#define println(x) std::cout<<x<<std::endl;
#define print(x) std::cout<<x;
#define END system("PAUSE"); return 0
#define delay(x) Sleep(x*1000);

typedef unsigned int uint;



class perceptron
{
public:
    perceptron() :learningRate(0.15),biasValue(1),outputVal(0)
    {
        srand((uint)time(0));
        weights = new double[2];
        weights[0] = rand() / double(RAND_MAX);
        weights[1] = rand() / double(RAND_MAX); 
    }
    ~perceptron()
    {
        delete[] weights;
    }
    void train(double x0, double x1, double target)
    {
        backProp(x0, x1, target);
    }
private:
    double biasValue;
    double  outputVal;
    double* weights;
    double learningRate;
private:
    double activationFunction(double sum)
    {
        return tanh(sum);
    }
    void backProp(double x0, double x1, double target)
    {
        println("");

        guess(x0, x1); //Setting outputVal to activationFunction value

        //Calculating Error;

        auto error = target - outputVal;

        //Recalculating weights;

        weights[0] = weights[0] + error * x0 * learningRate;   
        weights[1] = weights[1] + error * x1 * learningRate;

        //Printing values;

        std::cout << "Input:  " << x0 << "   Input:   " << x1 << std::endl;
        std::cout << " Output:   " << outputVal << std::endl;
        std::cout << "Error:   " << error << std::endl;
    }
    double guess(double x0, double x1)
    {
        //Calculating outputValue

        outputVal = activationFunction(x0 * weights[0] + x1 * weights[1]+biasValue);

        return outputVal;
    }
};

int main()
{
    perceptron* p = new perceptron();
    for (auto i = 0; i < 1800; i++)
    {
        p->train(1, 1, 1);
        p->train(0, 1, 0);
        p->train(1, 0, 0);
        p->train(0, 0, 0);
    }
    println("-------------------------------------------------------");
    delay(2);
    p->train(1, 1, 1);
    END;
}

Answer 1

我看到了一些问题：

感知激活不应该是tanh()。如果你使用它，你将必须确保适当地计算梯度。但是你可以用

double activationFunction(double sum)
{
    return sum > 0;
}

如果总和 > 0，这将 return 1，否则 returns 0。

更新权重时，biasValue 也应该更新，因为感知器需要从您的训练数据中学习它的值。您可以使用

biasValue += error * learningRate;

这些更改将允许感知器学习与门。

用 C++ 实现的感知器未按预期进行训练。（与逻辑门示例）

Perceptron implemented in C++ does not train as expected. (AND Logic Gate example)

c++

perceptron

用 C++ 实现的感知器未按预期进行训练。 （与逻辑门示例）

Perceptron implemented in C++ does not train as expected. (AND Logic Gate example)

c++

perceptron

用 C++ 实现的感知器未按预期进行训练。（与逻辑门示例）