60 likes | 192 Views
Redes Neuronales Artificiales Tarea 4 Regla Delta. Dr. Juan José Flores Romero División de Estudios de Posgrado Facultad de Ingeniería Eléctrica juanf@zeus.umich.mx http://lsc.fie.umich.mx/~juan/ http://lsc.fie.umich.mx/~juan/Materias/ANN. Parte I Funci ó n de Activa c i ó n Sigmoid al.
E N D
Redes Neuronales Artificiales Tarea 4 Regla Delta Dr. Juan José Flores Romero División de Estudios de Posgrado Facultad de Ingeniería Eléctrica juanf@zeus.umich.mx http://lsc.fie.umich.mx/~juan/ http://lsc.fie.umich.mx/~juan/Materias/ANN
Parte IFunción de Activación Sigmoidal • En este directorio encontrarás: • one-input.net • one-input.pat • two-inputs.net • and.pat • Cargue la red neuronal one-input.net • Haga que el bias se despligue debajo de cada unidad • La neurona de salida tiene una función de activación sigmoidal • Use el Analizador (Tools -> Setup) • El eje x será la activación de la unidad 1 (input), el eje y sea la activación de la unidad 2 (output). Escalar la gráfica de modo que ambos ejes vayan de 0 a 1. Habilite el reticulado (grid)
Parte I (cont.) • Cargarone-input.pat. • En "Test" del Analizador, ajustar "Steps" a 11, dado que hay 11 patrones en el archivo • En "Patterns" del“control panel”, use las flechas para ir al patrón 1. • Haga click en nueva gráficaen el analizador • Haga click en "Test" en la pestaña "Test" en el analizador • ¿Qué gráfica obtiene?
Parte I (cont.) • ¿Qué pasa si cambias el bias de la unidad de salida a -7? • ¿Qué pasa si cambias el bias de la unidad de salida a -3? • ¿Qué pasa si cambias el peso de la unidad de entrada a 5, dejando el bias de la salida en –3? • ¿Qué pasa si cambias el peso de la unidad de entrada a 20? • ¿Qué pasa si cambias el peso de la unidad de entrada a -5, y el bias de la salida a 3?
Parte II • En "Learning" del panel de control, haga click en "Init". Limpie el analizador y cree un nuevo gráfico de cómo la salida responde a la intrada.El resultado probablemente será una linea recta con una pendiente leve. • Haga click en "Learn All" en la pestaña "Learning" del panel de control y ajuste los pesos 100 veces para cada patrón. Genere una nueva gráfica en el analyzador y observe los cambios. • La respuesta correcta para este conjunto de entrenamiento es que la salida sea 0 para entradas hasta 0.2 y 1 para entradas de 0.3 o mayores. • Entrene la red otros 100 ciclos y grafique el comportamiento de nuevo. ¿Ha mejorado el comportamiento? • Otra manera de verificar si la red aprende es graficando el error. Esto se logra con la vía el menu “View”. Escalar la gráfica de modo que la coordenada y vaya de 0 a 2. Active el reticulado. • Reinicialice la red y entrénela por 1,000 ciclos. ¿Cómo cambia la gráfica de error?
Parte III • Cargartwo-inputs.net, similar a la red de la tarea anterior, pero con una función de activación sigmoidal. Esta red model la función AND, como se puede ver en la figura. • Reinicializar la red. • Cargar and.paty entrenar la red por 500 ciclos. • ¿Cómo se ve la proyección para la red recién inicializada? • ¿Cuál es la diferencia con los resultados de la red de una entrada recién inicializada? • ¿Tiene el gráfico de error la misma forma que para la red de una entrada? Explicar. • ¿Cómo procede el aprendizaje en la red? • Primero afina la frontera en la proyección y luego la mueve al lugar adecuado • Primero define la frontera y luego la afina