Redes Neuronales Artificiales Tarea 4 Regla Delta Redes Neuronales Artificiales Tarea 4 Regla Delta Dr. Juan José Flores Romero División de Estudios de.

Presentación del tema: "Redes Neuronales Artificiales Tarea 4 Regla Delta Redes Neuronales Artificiales Tarea 4 Regla Delta Dr. Juan José Flores Romero División de Estudios de."— Transcripción de la presentación:

1 Redes Neuronales Artificiales Tarea 4 Regla Delta Redes Neuronales Artificiales Tarea 4 Regla Delta Dr. Juan José Flores Romero División de Estudios de Posgrado Facultad de Ingeniería Eléctrica juanf@zeus.umich.mx http://lsc.fie.umich.mx/~juan/ http://lsc.fie.umich.mx/~juan/Materias/ANN

2 Parte I Función de Activación Sigmoidal 1. En este directorio encontrarás:  one-input.net  one-input.pat  two-inputs.net  and.pat 2. Cargue la red neuronal one-input.net 3. Haga que el bias se despligue debajo de cada unidad 4. La neurona de salida tiene una función de activación sigmoidal 5. Use el Analizador (Tools -> Setup) 6. El eje x será la activación de la unidad 1 (input), el eje y sea la activación de la unidad 2 (output). Escalar la gráfica de modo que ambos ejes vayan de 0 a 1. Habilite el reticulado (grid)

3 Parte I (cont.) 7. Cargar one-input.pat. 8. En "Test" del Analizador, ajustar "Steps" a 11, dado que hay 11 patrones en el archivo 9. En "Patterns" del “control panel”, use las flechas para ir al patrón 1. 10. Haga click en nueva gráfica en el analizador 11. Haga click en "Test" en la pestaña "Test" en el analizador 12. ¿Qué gráfica obtiene?

4 Parte I (cont.) 13. ¿Qué pasa si cambias el bias de la unidad de salida a -7? 14. ¿Qué pasa si cambias el bias de la unidad de salida a -3? 15. ¿Qué pasa si cambias el peso de la unidad de entrada a 5, dejando el bias de la salida en –3? 16. ¿Qué pasa si cambias el peso de la unidad de entrada a 20? 17. ¿Qué pasa si cambias el peso de la unidad de entrada a -5, y el bias de la salida a 3?

5 Parte II 1. En "Learning" del panel de control, haga click en "Init". Limpie el analizador y cree un nuevo gráfico de cómo la salida responde a la intrada. El resultado probablemente será una linea recta con una pendiente leve. 2. Haga click en "Learn All" en la pestaña "Learning" del panel de control y ajuste los pesos 100 veces para cada patrón. Genere una nueva gráfica en el analyzador y observe los cambios. 3. La respuesta correcta para este conjunto de entrenamiento es que la salida sea 0 para entradas hasta 0.2 y 1 para entradas de 0.3 o mayores. 4. Entrene la red otros 100 ciclos y grafique el comportamiento de nuevo. ¿Ha mejorado el comportamiento? 5. Otra manera de verificar si la red aprende es graficando el error. Esto se logra con la vía el menu “View”. Escalar la gráfica de modo que la coordenada y vaya de 0 a 2. Active el reticulado. 6. Reinicialice la red y entrénela por 1,000 ciclos. ¿Cómo cambia la gráfica de error?

6 Parte III 1. Cargar two-inputs.net, similar a la red de la tarea anterior, pero con una función de activación sigmoidal. Esta red model la función AND, como se puede ver en la figura. 2. Reinicializar la red. 3. Cargar and.pat y entrenar la red por 500 ciclos. 4. ¿Cómo se ve la proyección para la red recién inicializada? 5. ¿Cuál es la diferencia con los resultados de la red de una entrada recién inicializada? 6. ¿Tiene el gráfico de error la misma forma que para la red de una entrada? Explicar. 7. ¿Cómo procede el aprendizaje en la red?  Primero afina la frontera en la proyección y luego la mueve al lugar adecuado  Primero define la frontera y luego la afina