一步一步地更新感知器的权重会产生不同的结果，为什么？
一步一步地更新感知器的权重会产生不同的结果，为什么？
提问于 2021-06-15 22:19:28
post提供了一种找到(几乎)最佳学习率和初始权重的方法，以便感知器以最小迭代收敛。
我稍微修改了一下数据，
nearest_setosa = np.array([[1.9, 0.4],[1.6, 0.6]])我在2次迭代中得到的最好结果是
eat = 0.2，初始权重= 0.7，0.7，训练权重=-0，0.5
它成功地分离了数据点。
然而，当我试图一步一步地重现训练时，我得到了一组不同的训练权重-0.06，0.54
以下是步骤
这将初始化参数
model_w = np.asarray([0.7, 0.7])
model_b = 0.0
eta = .2此代码查找错误分隔的示例，方法与原始方法相同
for i in range(3):
print(y_train[i] == predict(x_train[i]))然后我就得到了
False
False
True因此，我再次以与原始方法相同的方式更新了第一个示例的权重
update_weights(0, True)新的权重是
-0.2
[0.32 0.62]然后我又做了一次预测
for i in range(3):
print(y_train[i] == predict(x_train[i]))并得到了
False
False
True然后，我又更新了权重
update_weights(0, True)新的权重是
-0.4
[-0.06 0.54]这与原始代码中的不同。
我遗漏了什么？
回答 1
Stack Overflow用户
发布于 2021-06-18 00:37:42
我认为你在你发布的代码中遗漏了一些东西。您只能根据data first data id=0更新权重。如果你仔细观察代码，会发现有一个循环：
for i in range(3):
if y_train[i] != predict(x_train[i],model_w, model_b):
update_weights(i,model_w, model_b, eta)
else:
indicator+=1在您的例子中，您必须根据您获得的False进行两次更新，即update_weights(0, True)和update_weights(1, True)。然后你应该根据错误更新你的权重。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/67988082
复制相关文章
相似问题
腾讯云开发者
