人工智能實戰 第5次做業 鄭浩

項目	內容
這個做業屬於哪一個課程	人工智能實戰 2019（北京航空航天大學）
這個做業的要求在哪裏	人工智能實戰第五次做業（我的）
我在這個課程的目標是	瞭解人工智能的基礎理論知識，鍛鍊實踐能力
這個做業在哪一個具體方面幫助我實現目標	學習運用線性二分類，並經過代碼實踐來練習完成邏輯與門和邏輯或門
做業正文	見下文
其餘參考文獻	無

1.做業要求

• 訓練一個邏輯與門和邏輯或門，結果及代碼造成博客

2.解題思路

將其做爲一個線性二分類問題來解決，並運用課件中關於線性二分類的內容。

3.代碼

import numpy as np
import matplotlib.pyplot as plt
from pathlib import Path
import math

def ReadAndData(GATE):#創建邏輯與門和邏輯或門的訓練數據
    X = np.array([0,0,1,1,0,1,0,1]).reshape(2,4)
    AND = np.array([0,0,0,1]).reshape(1,4)
    OR = np.array([0,1,1,1]).reshape(1,4)
    if GATE=='AND':
        return X,AND
    if GATE=='OR':
        return X,OR
    
def Sigmoid(x):#激活函數
    s=1/(1+np.exp(-x))
    return s

def ForwardCalculation(W,B,X):#前向計算
    z = np.dot(W, X) + B
    a = Sigmoid(z)
    return a

def BackPropagation(X,Y,A,w,b,eta,sample):#反向傳播
    dloss_z = A - Y
    db = np.sum(dloss_z) / sample
    dw = np.dot(dloss_z, X.T) / sample
    w = w - eta * dw
    b = b - eta * db
    return w,b

def CheckLoss(w, b, X, Y, sample):#計算損失函數值
    A = ForwardCalculation(w, b, X)
    p1 = Y * np.log(A)
    p2 = (1-Y) * np.log(1-A)
    LOSS = -(p1 + p2)
    loss = np.sum(LOSS) / sample
    return loss

def InitialParameters():#初始化W和B
    W = np.zeros((1,2))
    B = 0.0
    return W,B

def ShowResult(W,B,X,Y,GATE):#做圖

    w = -W[0,0]/W[0,1]
    b = -B/W[0,1]
    x = np.array([0,1])
    y = w * x + b
    plt.plot(x,y,label='w1 = '+str(round(W[0,0],3))+', w2 = '+str(round(W[0,1],3))
             +', b = '+str(round(B,3)))
   
    for i in range(4):
        if Y[0,i] == 0:
            plt.scatter(X[0,i],X[1,i],marker="o",c='b',s=64)
        else:
            plt.scatter(X[0,i],X[1,i],marker="^",c='r',s=64)
    plt.axis([-0.1,1.1,-0.1,1.1])
    plt.title(GATE)
    plt.xlabel("X1")
    plt.ylabel("X2")
    plt.legend(loc='upper right')
    plt.show()

if __name__ == '__main__':
    W,B = InitialParameters()
    eta = 0.2
    MAX = 10000 #最大迭代次數
    eps = 1e-2
    loss = 0
    GATE = 'OR'
    X, Y = ReadAndData(GATE)
    for i in range(MAX):
        Z = ForwardCalculation(W, B, X)
        W, B = BackPropagation(X, Y, Z ,W , B ,eta ,4)
        loss = CheckLoss(W,B,X,Y,4)
        if loss < eps:
            break;
    ShowResult(W,B,X,Y,GATE)

4.實驗結果

• 邏輯與門
  

• 邏輯或門