fork download
copy 
  1. import numpy as np
  2. import itertools
  3.  
  4. # Initialisierung der Schwellenwerte
  5. lower_threshold = 0.8
  6. upper_threshold = 1.2
  7.  
  8. # Lernrate
  9. learning_rate = 0.1
  10.  
  11. # Eingabekombinationen (2 Eingänge)
  12. inputs = [[0, 0], [0, 1], [1, 0], [1, 1]]
  13.  
  14. # Generiere alle 16 möglichen Wertetabellen (Targets)
  15. all_truth_tables = list(itertools.product([0, 1], repeat=4))
  16.  
  17. # Trainingsloop für jede Wertetabelle
  18. max_iterations = 1000
  19. restart_threshold = 100  # Neustart der Gewichte nach 100 erfolglosen Iterationen
  20. results = []  # Zum Speichern der Ergebnisse für jede Wertetabelle
  21.  
  22. # Schwellenwert-Aktivierungsfunktion (Wie im Originalprogramm)
  23. def threshold_activation(x):
  24.     if lower_threshold < x < upper_threshold:
  25.         return 1
  26.     return 0
  27.  
  28. # Trainingsprozess für jede Wertetabelle
  29. for truth_table_idx, targets in enumerate(all_truth_tables):
  30.     print(f"\nLerne Wertetabelle {truth_table_idx + 1}: Targets = {targets}")
  31.  
  32.     epoch = 0
  33.     network_trained = False
  34.     start_weights = None
  35.     final_weights = None
  36.     all_epoch_outputs = []  # Outputs jeder Epoche (Debugging und Transparenz)
  37.  
  38.     # Initialisiere Startgewichte
  39.     input_hidden_weights = np.random.rand(2, 3)  # 2 Inputs, 3 Neuronen im Hidden Layer
  40.     hidden_output_weights = np.random.rand(3)  # 3 Neuronen im Hidden Layer, 1 Ausgang
  41.  
  42.     # Trainingsprozess für die aktuelle Wertetabelle
  43.     while epoch < max_iterations:
  44.         epoch += 1
  45.         all_correct = True  # Flag, um zu überprüfen, ob alle Ausgaben korrekt sind
  46.  
  47.         epoch_outputs = []  # Outputs der aktuellen Epoche
  48.  
  49.         for input_vector, target in zip(inputs, targets):
  50.             # Berechnung der gewichteten Summe für Hidden Layer
  51.             hidden_input = np.dot(input_vector, input_hidden_weights)
  52.             hidden_output = np.array([threshold_activation(x) for x in hidden_input])
  53.  
  54.             # Berechnung der gewichteten Summe für Output Layer
  55.             final_output = np.dot(hidden_output, hidden_output_weights)
  56.             final_output = threshold_activation(final_output)  # Aktivierung im Output Layer
  57.  
  58.             # Fehlerberechnung
  59.             error = target - final_output
  60.             if error != 0:
  61.                 all_correct = False
  62.  
  63.                 # Fehlerkorrektur für den Output Layer
  64.                 hidden_output_weights += learning_rate * error * hidden_output
  65.  
  66.                 # Fehlerkorrektur für den Hidden Layer
  67.                 for i in range(len(input_vector)):
  68.                     input_hidden_weights[i] += learning_rate * error * input_vector[i] * hidden_output_weights
  69.  
  70.             epoch_outputs.append((input_vector, final_output, target))
  71.  
  72.         # Überprüfe, ob alle Ausgaben korrekt sind
  73.         if all_correct:
  74.             network_trained = True
  75.             final_weights = (input_hidden_weights, hidden_output_weights)  # Speichere die finalen Gewichte
  76.             break
  77.  
  78.         # Neustart der Gewichte nach `restart_threshold` Iterationen
  79.         if epoch % restart_threshold == 0:
  80.             print(f"  -> Neustart der Startgewichte nach {epoch} Iterationen.")
  81.             input_hidden_weights = np.random.rand(2, 3)
  82.             hidden_output_weights = np.random.rand(3)
  83.  
  84.         all_epoch_outputs.append(epoch_outputs)
  85.  
  86.     # Ergebnisse speichern
  87.     results.append({
  88.         "truth_table_idx": truth_table_idx + 1,
  89.         "targets": targets,
  90.         "epochs": epoch,
  91.         "network_trained": network_trained,
  92.         "final_weights": final_weights,
  93.         "all_epoch_outputs": all_epoch_outputs
  94.     })
  95.  
  96.     # Statusmeldung
  97.     if network_trained:
  98.         print(f"  -> Wertetabelle korrekt gelernt nach {epoch} Iterationen.")
  99.     else:
  100.         print(f"  -> Netzwerk konnte die Wertetabelle nicht lernen.")
  101.  
  102. # Alle Ergebnisse anzeigen
  103. print("\nZusammenfassung der Ergebnisse:")
  104. for result in results:
  105.     print(f"Wertetabelle {result['truth_table_idx']}: Targets = {result['targets']}")
  106.     print(f"  -> Erfolg: {'Ja' if result['network_trained'] else 'Nein'}")
  107.     print(f"  -> Benötigte Epochen: {result['epochs']}")
  108.     if result["network_trained"]:
  109.         print(f"  -> Finale Gewichte: {result['final_weights']}")
  110.     print()
  111.  
Success #stdin #stdout 1.58s 32248KB
comments (?)
stdin
copy 
Standard input is empty
stdout
copy 
Lerne Wertetabelle 1: Targets = (0, 0, 0, 0)
  -> Wertetabelle korrekt gelernt nach 1 Iterationen.

Lerne Wertetabelle 2: Targets = (0, 0, 0, 1)
  -> Wertetabelle korrekt gelernt nach 5 Iterationen.

Lerne Wertetabelle 3: Targets = (0, 0, 1, 0)
  -> Wertetabelle korrekt gelernt nach 6 Iterationen.

Lerne Wertetabelle 4: Targets = (0, 0, 1, 1)
  -> Neustart der Startgewichte nach 100 Iterationen.
  -> Neustart der Startgewichte nach 200 Iterationen.
  -> Neustart der Startgewichte nach 300 Iterationen.
  -> Neustart der Startgewichte nach 400 Iterationen.
  -> Wertetabelle korrekt gelernt nach 403 Iterationen.

Lerne Wertetabelle 5: Targets = (0, 1, 0, 0)
  -> Wertetabelle korrekt gelernt nach 4 Iterationen.

Lerne Wertetabelle 6: Targets = (0, 1, 0, 1)
  -> Neustart der Startgewichte nach 100 Iterationen.
  -> Neustart der Startgewichte nach 200 Iterationen.
  -> Neustart der Startgewichte nach 300 Iterationen.
  -> Neustart der Startgewichte nach 400 Iterationen.
  -> Wertetabelle korrekt gelernt nach 403 Iterationen.

Lerne Wertetabelle 7: Targets = (0, 1, 1, 0)
  -> Wertetabelle korrekt gelernt nach 6 Iterationen.

Lerne Wertetabelle 8: Targets = (0, 1, 1, 1)
  -> Neustart der Startgewichte nach 100 Iterationen.
  -> Neustart der Startgewichte nach 200 Iterationen.
  -> Neustart der Startgewichte nach 300 Iterationen.
  -> Neustart der Startgewichte nach 400 Iterationen.
  -> Neustart der Startgewichte nach 500 Iterationen.
  -> Neustart der Startgewichte nach 600 Iterationen.
  -> Neustart der Startgewichte nach 700 Iterationen.
  -> Neustart der Startgewichte nach 800 Iterationen.
  -> Neustart der Startgewichte nach 900 Iterationen.
  -> Neustart der Startgewichte nach 1000 Iterationen.
  -> Netzwerk konnte die Wertetabelle nicht lernen.

Lerne Wertetabelle 9: Targets = (1, 0, 0, 0)
  -> Neustart der Startgewichte nach 100 Iterationen.
  -> Neustart der Startgewichte nach 200 Iterationen.
  -> Neustart der Startgewichte nach 300 Iterationen.
  -> Neustart der Startgewichte nach 400 Iterationen.
  -> Neustart der Startgewichte nach 500 Iterationen.
  -> Neustart der Startgewichte nach 600 Iterationen.
  -> Neustart der Startgewichte nach 700 Iterationen.
  -> Neustart der Startgewichte nach 800 Iterationen.
  -> Neustart der Startgewichte nach 900 Iterationen.
  -> Neustart der Startgewichte nach 1000 Iterationen.
  -> Netzwerk konnte die Wertetabelle nicht lernen.

Lerne Wertetabelle 10: Targets = (1, 0, 0, 1)
  -> Neustart der Startgewichte nach 100 Iterationen.
  -> Neustart der Startgewichte nach 200 Iterationen.
  -> Neustart der Startgewichte nach 300 Iterationen.
  -> Neustart der Startgewichte nach 400 Iterationen.
  -> Neustart der Startgewichte nach 500 Iterationen.
  -> Neustart der Startgewichte nach 600 Iterationen.
  -> Neustart der Startgewichte nach 700 Iterationen.
  -> Neustart der Startgewichte nach 800 Iterationen.
  -> Neustart der Startgewichte nach 900 Iterationen.
  -> Neustart der Startgewichte nach 1000 Iterationen.
  -> Netzwerk konnte die Wertetabelle nicht lernen.

Lerne Wertetabelle 11: Targets = (1, 0, 1, 0)
  -> Neustart der Startgewichte nach 100 Iterationen.
  -> Neustart der Startgewichte nach 200 Iterationen.
  -> Neustart der Startgewichte nach 300 Iterationen.
  -> Neustart der Startgewichte nach 400 Iterationen.
  -> Neustart der Startgewichte nach 500 Iterationen.
  -> Neustart der Startgewichte nach 600 Iterationen.
  -> Neustart der Startgewichte nach 700 Iterationen.
  -> Neustart der Startgewichte nach 800 Iterationen.
  -> Neustart der Startgewichte nach 900 Iterationen.
  -> Neustart der Startgewichte nach 1000 Iterationen.
  -> Netzwerk konnte die Wertetabelle nicht lernen.

Lerne Wertetabelle 12: Targets = (1, 0, 1, 1)
  -> Neustart der Startgewichte nach 100 Iterationen.
  -> Neustart der Startgewichte nach 200 Iterationen.
  -> Neustart der Startgewichte nach 300 Iterationen.
  -> Neustart der Startgewichte nach 400 Iterationen.
  -> Neustart der Startgewichte nach 500 Iterationen.
  -> Neustart der Startgewichte nach 600 Iterationen.
  -> Neustart der Startgewichte nach 700 Iterationen.
  -> Neustart der Startgewichte nach 800 Iterationen.
  -> Neustart der Startgewichte nach 900 Iterationen.
  -> Neustart der Startgewichte nach 1000 Iterationen.
  -> Netzwerk konnte die Wertetabelle nicht lernen.

Lerne Wertetabelle 13: Targets = (1, 1, 0, 0)
  -> Neustart der Startgewichte nach 100 Iterationen.
  -> Neustart der Startgewichte nach 200 Iterationen.
  -> Neustart der Startgewichte nach 300 Iterationen.
  -> Neustart der Startgewichte nach 400 Iterationen.
  -> Neustart der Startgewichte nach 500 Iterationen.
  -> Neustart der Startgewichte nach 600 Iterationen.
  -> Neustart der Startgewichte nach 700 Iterationen.
  -> Neustart der Startgewichte nach 800 Iterationen.
  -> Neustart der Startgewichte nach 900 Iterationen.
  -> Neustart der Startgewichte nach 1000 Iterationen.
  -> Netzwerk konnte die Wertetabelle nicht lernen.

Lerne Wertetabelle 14: Targets = (1, 1, 0, 1)
  -> Neustart der Startgewichte nach 100 Iterationen.
  -> Neustart der Startgewichte nach 200 Iterationen.
  -> Neustart der Startgewichte nach 300 Iterationen.
  -> Neustart der Startgewichte nach 400 Iterationen.
  -> Neustart der Startgewichte nach 500 Iterationen.
  -> Neustart der Startgewichte nach 600 Iterationen.
  -> Neustart der Startgewichte nach 700 Iterationen.
  -> Neustart der Startgewichte nach 800 Iterationen.
  -> Neustart der Startgewichte nach 900 Iterationen.
  -> Neustart der Startgewichte nach 1000 Iterationen.
  -> Netzwerk konnte die Wertetabelle nicht lernen.

Lerne Wertetabelle 15: Targets = (1, 1, 1, 0)
  -> Neustart der Startgewichte nach 100 Iterationen.
  -> Neustart der Startgewichte nach 200 Iterationen.
  -> Neustart der Startgewichte nach 300 Iterationen.
  -> Neustart der Startgewichte nach 400 Iterationen.
  -> Neustart der Startgewichte nach 500 Iterationen.
  -> Neustart der Startgewichte nach 600 Iterationen.
  -> Neustart der Startgewichte nach 700 Iterationen.
  -> Neustart der Startgewichte nach 800 Iterationen.
  -> Neustart der Startgewichte nach 900 Iterationen.
  -> Neustart der Startgewichte nach 1000 Iterationen.
  -> Netzwerk konnte die Wertetabelle nicht lernen.

Lerne Wertetabelle 16: Targets = (1, 1, 1, 1)
  -> Neustart der Startgewichte nach 100 Iterationen.
  -> Neustart der Startgewichte nach 200 Iterationen.
  -> Neustart der Startgewichte nach 300 Iterationen.
  -> Neustart der Startgewichte nach 400 Iterationen.
  -> Neustart der Startgewichte nach 500 Iterationen.
  -> Neustart der Startgewichte nach 600 Iterationen.
  -> Neustart der Startgewichte nach 700 Iterationen.
  -> Neustart der Startgewichte nach 800 Iterationen.
  -> Neustart der Startgewichte nach 900 Iterationen.
  -> Neustart der Startgewichte nach 1000 Iterationen.
  -> Netzwerk konnte die Wertetabelle nicht lernen.

Zusammenfassung der Ergebnisse:
Wertetabelle 1: Targets = (0, 0, 0, 0)
  -> Erfolg: Ja
  -> Benötigte Epochen: 1
  -> Finale Gewichte: (array([[0.68814028, 0.13183144, 0.86273055],
       [0.8216364 , 0.43863911, 0.53083751]]), array([0.05845465, 0.74694724, 0.21336231]))

Wertetabelle 2: Targets = (0, 0, 0, 1)
  -> Erfolg: Ja
  -> Benötigte Epochen: 5
  -> Finale Gewichte: (array([[0.29692834, 0.51312557, 0.68567277],
       [0.92077488, 0.95424181, 0.20005196]]), array([0.61927748, 0.12655351, 0.80769768]))

Wertetabelle 3: Targets = (0, 0, 1, 0)
  -> Erfolg: Ja
  -> Benötigte Epochen: 6
  -> Finale Gewichte: (array([[0.74198457, 0.80805933, 0.54506015],
       [0.34834807, 0.3039823 , 0.53202519]]), array([0.57279568, 0.93896017, 0.33665928]))

Wertetabelle 4: Targets = (0, 0, 1, 1)
  -> Erfolg: Ja
  -> Benötigte Epochen: 403
  -> Finale Gewichte: (array([[0.78019014, 0.62464232, 1.12989761],
       [0.3616712 , 0.14906123, 0.2443763 ]]), array([1.0531931 , 0.5266019 , 0.95585659]))

Wertetabelle 5: Targets = (0, 1, 0, 0)
  -> Erfolg: Ja
  -> Benötigte Epochen: 4
  -> Finale Gewichte: (array([[0.64530127, 0.21686531, 0.03267521],
       [0.71017716, 1.15678816, 0.53337163]]), array([0.22875331, 0.85997839, 0.774752  ]))

Wertetabelle 6: Targets = (0, 1, 0, 1)
  -> Erfolg: Ja
  -> Benötigte Epochen: 403
  -> Finale Gewichte: (array([[0.30193151, 0.62798002, 0.28737129],
       [0.84960969, 0.94957149, 0.69304363]]), array([0.67760016, 0.4097593 , 0.22661546]))

Wertetabelle 7: Targets = (0, 1, 1, 0)
  -> Erfolg: Ja
  -> Benötigte Epochen: 6
  -> Finale Gewichte: (array([[0.89932078, 0.65170997, 0.68366776],
       [1.06183943, 0.22524756, 0.37854208]]), array([0.88446237, 0.29509544, 0.33437249]))

Wertetabelle 8: Targets = (0, 1, 1, 1)
  -> Erfolg: Nein
  -> Benötigte Epochen: 1000

Wertetabelle 9: Targets = (1, 0, 0, 0)
  -> Erfolg: Nein
  -> Benötigte Epochen: 1000

Wertetabelle 10: Targets = (1, 0, 0, 1)
  -> Erfolg: Nein
  -> Benötigte Epochen: 1000

Wertetabelle 11: Targets = (1, 0, 1, 0)
  -> Erfolg: Nein
  -> Benötigte Epochen: 1000

Wertetabelle 12: Targets = (1, 0, 1, 1)
  -> Erfolg: Nein
  -> Benötigte Epochen: 1000

Wertetabelle 13: Targets = (1, 1, 0, 0)
  -> Erfolg: Nein
  -> Benötigte Epochen: 1000

Wertetabelle 14: Targets = (1, 1, 0, 1)
  -> Erfolg: Nein
  -> Benötigte Epochen: 1000

Wertetabelle 15: Targets = (1, 1, 1, 0)
  -> Erfolg: Nein
  -> Benötigte Epochen: 1000

Wertetabelle 16: Targets = (1, 1, 1, 1)
  -> Erfolg: Nein
  -> Benötigte Epochen: 1000
https://ideone.com/xxj7A2
language:
Python 3 (python  3.9.5)
created:
3 days ago
visibility:
public

Share or Embed source code

Discover > Sphere Engine API

The brand new service which powers Ideone!

Discover > IDE Widget

Widget for compiling and running the source code in a web browser!