#numpy-sigmoid学習
自己学習の備忘。
numpy-sigmoidを理解するために図と学習用コードを並べる

活性化関数にシグモイド関数を使った場合に以下のようになる

python


import numpy as np


# シグモイド関数の定義
def sigmoid(a):
    return 1 / (1 + np.exp(-a))


# 一層目
x1 = np.array([[1], [2]])
w1 = np.array([[0.4, 0.3], [0.7, 0.6]])
a1 = w1.dot(x1)

# 二層目
x2 = sigmoid(a1)
w2 = np.array([[0.2, 0.3], [1, 0.7]])
a2 = w2.dot(x2)

# 出力値と正解値
y = sigmoid(a2)
t = np.array([[1], [0]])
print(y)

# 入力値、パラメーター、合算値を配列化
X = [x1, x2]
A = [a1, a2]
W = [w1, w2]

# パラメーターが何層あるかのサイズの取得
max_layer = len(X)


# 活性化関数の微分
def f(a):
    return (1 - sigmoid(a)) * sigmoid(a)


# 更新式の公式gの実装
def g(l, j):
    if max_layer == l:
        return (y[j] - t[j]) * f(A[l - 1][j])
    else:
        output = 0
        m = A[l - 1].shape[0]
        for i in range(m):
            output += g(l + 1, i) * W[l][j, i] * f(A[l - 1][j])
        return output


# パラメーターwによる誤差関数の微分
def diff(j, k, l):
    return g(l, j) * X[l - 1][k]


# パラメーターを100回学習
for _ in range(100):
    for l in range(len(X)):
        for j in range(W[l].shape[0]):
            for k in range(W[l].shape[1]):
                W[l][j, k] = W[l][j, k] - diff(j, k, l + 1)
    A[0] = W[0].dot(X[0])
    X[1] = sigmoid(A[0])
    A[1] = W[1].dot(X[1])
    y = sigmoid(A[1])

print(y)

[[0.60041131]
[0.79248709]]
[[0.91175343]
[0.08878309]]

shapeを調べた件

python

#range.shapeを理解する　shapeは行と桁を返すようだ
import numpy as np
a = np.array([[1,2,3],[4,5,6],[4,5,6],[4,5,6]])
a.shape

(4, 3)

要するに配列の大きさです。この結果は4*3（4行3列）の配列であることを表します。
a.shape[0]はこの例なら4になります。a.shape[1]なら3