1 import numpy as np
2
3 # 生成随机权值(无先验经验时一般使用随机权值)
4 m = np.random.randint(100, size=10)
5 # 训练数据
6 x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
7 # 训练数据对应的期望目标(学习目标) False为奇数,True为偶数
8 y = np.array([False, True, False, True, False, True, False, True, False, True])
9 # 阈值(自行设置)
10 thresh_hold = 52
11 # 学习率,即变化幅度
12 alpha = 5
13
14
15 #
16 def active():
17 print(m)
18 return m * x
19
20
21 def ajust_m(j):
22 err = 0
23 right = 0
24 o_new = active()
25 o_t = o_new > thresh_hold
26 for i in range(10):
27 if o_t[i] != y[i]:
28 err += 1
29 if o_t[i]:
30 m[i] = m[i] - alpha
31 else:
32 m[i] = m[i] - alpha
33 else:
34 right += 1
35 return right
36
37
38 def predict(a):
39 result = a * m[a - 1]
40 if result > thresh_hold:
41 return True
42 else:
43 return False
44
45
46 for j in range(100):
47 right = ajust_m(j)
48 if right == 10:
49 print('第{}次已经训练成功,停止训练'.format(j + 1))
50 break
51 if j == 99 and right != 10:
52 print('训练了{}次,训练失败!!'.format(j + 1))
53
54 print('', predict(8))
A,B表明两个工作地点的收益,A一个小时50¥,B一个小时100¥
W1,W2是两地工作时间,称为权重,机器学习中要调整的系数,[W1,W2]构成一个二维搜索空间
T = W1*A + W2*B 是我们的评估函数
TMax = 650 是期望目标,也是我们的学习目标
每天工作8小时,每地至少工作1小时,这是学习约束
delta = |T - TMax| 绝对值是我们的评估函数,损失函数(cost,loss)
delta = 达到什么结果搜索结束,由算法来设计,例如delta=1 搜索结束(搜索结束也称为函数收敛)
在搜索空间中尝试搜索过程中,对W1,W2改变的幅度称为学习率