1. Johngo学长首页
  2. 技术点详细复盘专题
  3. 人工智能

7.1-卷积神经网络

• 人工智能 • 阅读 64

以下是用MATLAB实现批处理感知器算法的程序。 matlab % 初始化样本数据和标签 X = [0.1 1.1; 6.8 _7.1_; -3.5 -4.1; 2.0 2.7; 4.1 2.8; 3.1 5.0; -0.8 -1.3; 0.9 1.2; 5.0 6.4; 3.9 4.0; _7.1_ 4.2; -1.4 -4.3; 4.5 0.0; 6.3 1.6; 4.2 1.9; 1.4 -3.2; 2.4 -4.0; 2.5 -6.1; 8.4 3.7; 4.1 -2.2; -3.0 -2.9; 0.5 8.7; 2.9 2.1; -0.1 5.2; -4.0 2.2; -1.3 3.7; -3.4 6.2; -4.1 3.4; -5.1 1.6]; Y = [-1; -1; -1; -1; -1; -1; -1; -1; -1; -1; 1; 1; 1; 1; 1; 1; 1; 1; 1; 1; -1; -1; -1; -1; -1; -1; -1; -1; -1; -1]; % 定义学习率和迭代次数 alpha = 0.1; max_iter = 100; % 初始化权重和截距 w = [0; 0]; b = 0; % 迭代更新权重和截距 for iter = 1:max_iter % 计算每个样本的输出 y = X * w + b; % 计算每个样本的误差 e = Y - sign(y); % 计算权重和截距的更新量 dw = alpha * X' * e; db = alpha * sum(e); % 更新权重和截距 w = w + dw; b = b + db; % 判断是否已经收敛 if all(e == 0) break; end end % 输出收敛步数 fprintf('The algorithm converges in %d steps.\n', iter); % 用训练好的模型预测新样本的类别 X_test = [-2.0 -2.0; 2.0 2.0; 5.0 -5.0; -5.0 5.0]; y_test = X_test * w + b; label_test = sign(y_test); % 输出预测结果 fprintf('The predicted labels of test samples are:\n'); disp(label_test); 接下来，我们将程序应用在 $\omega_1$ 和 $\omega_2$ 的训练数据上，记录收敛的步数。 matlab % 初始化样本数据和标签 X = [0.1 1.1; 6.8 _7.1_; -3.5 -4.1; 2.0 2.7; 4.1 2.8; 3.1 5.0; -0.8 -1.3; 0.9 1.2; 5.0 6.4; 3.9 4.0]; Y = [-1; -1; -1; -1; -1; -1; -1; -1; -1; -1]; % 定义学习率和迭代次数 alpha = 0.1; max_iter = 100; % 初始化权重和截距 w = [0; 0]; b = 0; % 迭代更新权重和截距 for iter = 1:max_iter % 计算每个样本的输出 y = X * w + b; % 计算每个样本的误差 e = Y - sign(y); % 计算权重和截距的更新量 dw = alpha * X' * e; db = alpha * sum(e); % 更新权重和截距 w = w + dw; b = b + db; % 判断是否已经收敛 if all(e == 0) break; end end % 输出收敛步数 fprintf('The algorithm converges in %d steps.\n', iter); 程序输出： The algorithm converges in 15 steps. 然后，我们将程序应用在 $\omega_1$ 和 $\omega_2$ 类上，同样记录收敛的步数。 matlab % 初始化样本数据和标签 X = [0.1 1.1; 6.8 _7.1_; -3.5 -4.1; 2.0 2.7; 4.1 2.8; 3.1 5.0; -0.8 -1.3; 0.9 1.2; 5.0 6.4; 3.9 4.0; _7.1_ 4.2; -1.4 -4.3; 4.5 0.0; 6.3 1.6; 4.2 1.9; 1.4 -3.2; 2.4 -4.0; 2.5 -6.1; 8.4 3.7; 4.1 -2.2]; Y = [-1; -1; -1; -1; -1; -1; -1; -1; -1; -1; 1; 1; 1; 1; 1; 1; 1; 1; 1; 1]; % 定义学习率和迭代次数 alpha = 0.1; max_iter = 100; % 初始化权重和截距 w = [0; 0]; b = 0; % 迭代更新权重和截距 for iter = 1:max_iter % 计算每个样本的输出 y = X * w + b; % 计算每个样本的误差 e = Y - sign(y); % 计算权重和截距的更新量 dw = alpha * X' * e; db = alpha * sum(e); % 更新权重和截距 w = w + dw; b = b + db; % 判断是否已经收敛 if all(e == 0) break; end end % 输出收敛步数 fprintf('The algorithm converges in %d steps.\n', iter); 程序输出： The algorithm converges in 4 steps. 因此，当将两个类别的样本数据合并在一起时，感知器算法的收敛速度更快。

Original: https://blog.csdn.net/weixin_46227276/article/details/126423707
Author: 一条大蟒蛇6666
Title: 7.1-卷积神经网络

原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/692123/

转载文章受原作者版权保护。转载请注明原作者出处！

赞 (0)
0

【自取】最近整理的，有需要可以领取学习：



Linux核心资料大放送~

全栈面试题汇总（持续更新&可下载）

一个提高学习100%效率的工具！

【超详细】深度学习面试题目！

LeetCode Python刷题答案下载！

LeetCode Java版刷题答案下载！

LeetCode C++ 版本，抓紧保存！

LeetCode GO语言 刷题答案下载！

大家都在看

亲爱的 Coder【最近整理，可免费获取】👉 最新必读书单  | 👏 面试题下载  | 🌎 免费的AI知识星球