Discussion :

[sancelot]

Bonjour,
Je voudrais classifier un vecteur d'entree vers une sortie, j'ai utilisé le perceptron.
1)premier probleme, j ai une valeur d entree differente de 0 ou 1, cela va t il poser pb, meme si je ramene la valeur entre 0 et 1

2) je n'arrive pas a faire converger les poids pendant l'apprentissage.

j ai mis en pj le code, si quelqu un peut m aider, je suis debutant dans le domaine des reseaux de neurone
steph

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
 
 
import random;
 
clefvalide = ['data1','data2','data3','data4','data5','data6','data7']
seuil = 0.8
liste = []
 
 
dico1= {}
dico1['data1'] = 1
dico1['data2'] = 0
dico1['data3'] = 1
dico1['data4'] = 0
dico1['data5'] = 0
dico1['data6'] = 0
dico1['data7']  = 1
dico1['sortie'] = 2./3.
liste.append(dico1)
 
dico1= {}
dico1['data1'] = 1
dico1['data2'] = 0
dico1['data3'] = 1
dico1['data4'] = 0
dico1['data5'] = 0
dico1['data6'] = 0
dico1['data7'] = 1
dico1['sortie'] = 2./3.
liste.append(dico1)
 
dico1= {}
dico1['data1']  = 1
dico1['data2'] = 0
dico1['data3']        = 0
dico1['data4'] = 1
dico1['data5'] = 0
dico1['data6'] = 0
dico1['data7']  = 1
dico1['sortie'] = 2./3.
liste.append(dico1)
 
 
dico1= {}
 
dico1['data1'] = 1
dico1['data2'] = 1
dico1['data3'] = 1
dico1['data4'] = 0
dico1['data5'] = 0
dico1['data6'] = 0
dico1['data7'] = 1
dico1['sortie'] = 2./3.
liste.append(dico1)
 
 
dico1= {}
dico1['data1'] = 0
dico1['data2'] = 0
dico1['data3'] = 0
dico1['data4'] = 0
dico1['data5'] = 1
dico1['data6'] = 0
dico1['data7'] = 1
dico1['sortie'] = 2./3.
liste.append(dico1)
 
dico1= {}
dico1['data1'] = 0
dico1['data2'] = 0
dico1['data3'] = 0
dico1['data4'] = 0
dico1['data5'] = 1
dico1['data6'] = 0
dico1['data7'] = 1
dico1['sortie'] = 3./3.
liste.append(dico1)
 
dico1= {}
dico1['data1'] = 1
dico1['data2'] = 1
dico1['data3'] = 1
dico1['data4'] = 0
dico1['data5'] = 0
dico1['data6'] = 0
dico1['data7']  = 1
dico1['sortie'] = 0.
liste.append(dico1)
 
 
dico1= {}
dico1['data1'] = 1
dico1['data2'] = 1
dico1['data3'] = 1
dico1['data4'] = 0
dico1['data5'] = 0
dico1['data6'] = 0
dico1['data7']  = 1
dico1['sortie'] = 0.
liste.append(dico1)
 
dico1= {}
dico1['data1']  = 0
dico1['data2'] = 0
dico1['data3'] = 1
dico1['data4'] = 0
dico1['data5'] = 0
dico1['data6'] = 1
dico1['data7']  = 1
dico1['sortie'] = 0.
liste.append(dico1)
 
 
def init_poids():
        for i in range(len(clefvalide)):
            print i
            if (random.random()>0.5):
                coef = 1.
            else:
                coef=-1.
            w.append(coef) #random.random()*coef)
 
w=[]
init_poids()
t = 0
 
#dico['distance_euclidienne'] = 0
print liste
 
echantillon = {} 
echantillon['data1']  = 1
echantillon['data2'] = 1
echantillon['data3']        = 1
echantillon['data4'] = 0
echantillon['data5'] = 0
echantillon['data6'] = 1
echantillon['data7']  = 1
 
 
 
# calcul du perceptron pour un ensemble donne
def perceptron(e):
        O = 0.
        t_ = 0
        for clef in clefvalide:
            O = O + float(e[clef]) * w[t_]
            t_=t_+1
        print "o",O
        if O > seuil:
            e['O'] = 1
        else:
            e['O'] = 0
	return O
 
print "APPRENTISSAGE"
# apprentissage
print liste
for i in range(100):
 for e in liste:
    print "---TOUR %d" % t    
    print e 
    perceptron(e)
    T = e['sortie']
    O = e['O']
    print "O et T",O,T
    if T != 0:
        w_ = []
	if (O == 0)  and (T==1):
		print "O=0 et T=1 remarque 3"		
		for i in range(len(clefvalide)):
			print i,w[i],clefvalide[i],e[clefvalide[i]]
			w_.append(w[i] +e[clefvalide[i]]) 
        else:
	  for i in range(len(clefvalide)):
            deltaT = (T-O) * w[i]
	    print "deltaT %d %f" % (i,deltaT  )
            w_.append(w[i]+deltaT)
        # mise a jour des poids
        for i in range(len(clefvalide)) :
            w[i] = w_[i]
    print "w futur : ",w
    t = t + 1
 
 
print w
 
print "RESULTAT : ",perceptron(echantillon)
print echantillon

[Bucketpc]

Bonjour,

Une valeur d'entrée entre 0 et 1 ne pose pas de problèmes.

Pour que le réseau converge, essaye avec une autre règle de correcte d'erreur, remplace delta rule par autre autre. Sinon, il faut changer l'architecture du réseau, il faut utilise un réseau multicouche (ex. Perceptron multicouche) dans le cas où les données ne sont pas linéairement séparables.