چکيده:

کتابخانه ‌هاي استفاده شده:  کتابخانه ي نامپاي و سايکيت لرن و مت پلات و سي برن به ترتيب براي محاسبات ماتريسي و تقسيم داده ها و محاسبه صحت و رسم نمودار و لود کردن داده‌هاي iris استفاده شده است.

توابع تعريفي و کد‌هاي لازم براي پياده سازي شبکه

يکسوساز ReLU  

در اين تابع خروجي ها به ازاي ورودي هاي منفي، صفر و به ازاي اعداد مثبت   مي باشد. از اين تابع در Neural network  و بخصوص Deep neural network  استفاده مي شود.

تابع SoftMax

تابع فعال سازي relu تنها زماني کار مي کند که به عنوان يک تابع فعال ساز در لايه هاي پنهان يک شبکه عصبي استفاده شود ، بنابراين من انتخاب کردم  تا در لايه خروجي از تابع فعال سازي SoftMax استفاده کنم. . SoftMax   مقادير خروجي را به راحتي در محدوده صفر و تا يک مي برد. از آنجايي که تمام احتمالات که به سمت لايه خروجي مي روند برابر 1 خواهند بود ، تابع فعال ساز SoftMax طبقه بندي با بالاترين احتمال را انتخاب مي کند.

تابع  forward

شبکه عصبي داده هاي ورودي را به جلو منتقل مي کند. داده ها در هر لايه با استفاده از عملکرد f (x) = wx + b محاسبه مي شوند و مقادير w = وزن ، x  مقادير ورودي و b  شيب لايه است. سپس پس از محاسبه اين مقدار در هر لايه ، آن را از تابع فعال ساز مرتبط  رد مي کند تا از طريق شبکه عصبي به جلو حرکت کند.

تابع  backprop

اين مرحله فرايندي است که شبکه عصبي در آن آموزش مي بيند ، زيرا خطاي گره هاي خروجي را مشخص مي کند. در هر مرحله از خطاي شبکه مشتق گرفته و برابر صفر قرار داده مي شود تا خطاي حاصل از شبکه در هر مرحله بهبود يابد.

نتيجه گيري

معيار صحت براي داده‌هاي آموزش و آزمون محاسبه شده است و نتايج حاصله به صورت زير است:

Accuracy on test data: 0.8924

عنوان پروژه

طبقه بندي ديتاست IRIS با شبکه عصبي MLP تک لايه در پايتون

مشخصات شبيه ساز:

دکتري هوش مصنوعي

دانشگاه بهشتي

محتويات

• گزارش جامع و فارسي
• کد پايتون
• شرح کامل کد نويسي

دانلود

Papersim2015@gmail.com