1 / 25

Exercices

Exercices. Perceptron multicouche. Points de départ: La dérivée d’une exponentielle est une exponentielle Dérivée d’un quotient. 1. Dérivée de la sigmoïde. 1.1 Sigmoïde unipolaire. 1.2 Sigmoïde unipolaire à pente ajustable. 1.3 Sigmoïde bipolaire. 1.4 Sigmoïde bipolaire à pente ajustable.

Download Presentation

Exercices

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Exercices Perceptron multicouche

  2. Points de départ: La dérivée d’une exponentielle est une exponentielle Dérivée d’un quotient 1. Dérivée de la sigmoïde

  3. 1.1 Sigmoïde unipolaire

  4. 1.2 Sigmoïde unipolaire à pente ajustable

  5. 1.3 Sigmoïde bipolaire

  6. 1.4 Sigmoïde bipolaire à pente ajustable

  7. 1.5 Fonction linéaire

  8. 2. Perceptron 2-2-1

  9. 3 : Trouver les nouveaux poids du réseau de la figure ci-dessous si on présente le vecteur d’apprentissage (0,1) (ref. Fausett, prob. 6.1) 1. Net de la couche cachée Propagation avant h_in1 = 0.4 + (0.0) (0.7) + (1.0) (-0.2) = 0.2 h_in2 = 0.6 + (0.0) (-0.4) + (1.0) (0.3) = 0.9 Y -0.3 0.5 0.1 1 h2 h1 0.4 0.6 0.7 0.3 -0.2 -0.4 1 1 X1 X2

  10. 3 : Trouver les nouveaux poids du réseau de la figure ci-dessous si on présente le vecteur d’apprentissage (0,1) Propagation avant Y 2. Out de la couche cachée -0.3 h1 = 1 / (1+ exp (- h_in1)) = 0.550 0.5 0.1 1 h2 = 1 / (1+ exp (- h_in2)) = 0.711 h2 h1 0.4 0.6 0.7 0.3 -0.2 -0.4 1 1 X1 X2

  11. 3 : Trouver les nouveaux poids du réseau de la figure ci-dessous si on présente le vecteur d’apprentissage (0,1) Propagation avant Y -0.3 0.5 0.1 1 h2 h1 3. Net de la couche de sortie 0.4 0.6 y_in = -0.3 + (h1) (0.5) + (h2) (0.1) = 0.046 0.7 0.3 -0.2 -0.4 1 1 X1 X2

  12. 3 : Trouver les nouveaux poids du réseau de la figure ci-dessous si on présente le vecteur d’apprentissage (0,1) 1. Net de la couche cachée Propagation avant h_in1 = 0.4 + (0.0) (0.7) + (1.0) (-0.2) = 0.2 h_in2 = 0.6 + (0.0) (-0.4) + (1.0) (0.3) = 0.9 Y -0.3 2. Out de la couche cachée 0.5 0.1 1 h1 = 1 / (1+ exp (- h_in1)) = 0.550 h2 h1 h2 = 1 / (1+ exp (- h_in2)) = 0.711 0.4 0.6 3. Net de la couche de sortie 0.7 0.3 y_in = -0.3 + (h1) (0.5) + (h2) (0.1) = 0.046 -0.2 -0.4 1 1 4. Out de la couche de sortie X1 X2 y = 1 / (1+ exp (- y_in)) = 0.511

  13. 3 : Trouver les nouveaux poids du réseau de la figure ci-dessous si on présente le vecteur d’apprentissage (0,1) Rétro-propagation d k d 5. Erreur b D a Y d - y = 1 – 0.511 = 0.489 6. dk -0.3 1 dk = (d – y) (y) (1 - y) = 0.122 0.5 0.1 h2 h1 0.4 0.6 0.7 0.3 -0.2 -0.4 1 1 X1 X2

  14. 3 : Trouver les nouveaux poids du réseau de la figure ci-dessous si on présente le vecteur d’apprentissage (0,1) Rétro-propagation dk Y -0.2695 Dans le cas général : 0.5168 d j1 d j2 (-0.3) 0.1217 1 (0.5) (0.1) h2 h1 Dérivée de f (h_inj) 0.4 0.6 0.7 0.3 8. d j1 -0.2 -0.4 1 1 d j1 = (d k) (w1) (h1) (1 - h1)= 0.015 X1 X2 9. d j2 d j2 = (d k) (w2) (h2) (1 - h2)= 0.0025

  15. 3 : Trouver les nouveaux poids du réseau de la figure ci-dessous si on présente le vecteur d’apprentissage (0,1) Rétro-propagation dk Y D wjk -0.2695 7. D wkj 0.5168 1 0.1217 D w10 = () (dk) = 0.0305 h2 h1 D w11 = () (dk) (h1) = 0.0168 0.4 0.6 0.7 0.3 -0.2 -0.4 1 1 D w12 = () (dk) (h2) = 0.0217 X1 X2

  16. 3 : Trouver les nouveaux poids du réseau de la figure ci-dessous si on présente le vecteur d’apprentissage (0,1) Rétro-propagation Y d j1 d j2 0.0305 (-0.3) 0.0168 0.0217 D vn1 D vn2 1 10. D vjn h2 h1 D v10 = () (d j1) = 0.038 D v11 = () (d j1) (x1) = 0.0 0.438 0.6006 D v12 = () (d j1) (x2) = 0.038 0.7 0.3006 D v20 = () (d j2) = 0.0006 1 1 -0.1962 -0.4 D v21 = () (d j2) (x1) = 0.0 X1 X2 D v22 = () (d j2) (x2) = 0.0006

  17. 4 : Trouver les nouveaux poids du réseau de la figure ci-dessous si on présente le vecteur d’apprentissage (-1,1) et on utilise une sigmoïde bipolaire comme fonction d’activation (ref. Fausett, prob. 6.2) Seuls changent la dérivée de la fonction d’activation bipolaire et la mise à jour des poids entre l’entrée et la couche cachée. Y -0.3 0.5 0.1 1 h2 h1 0.4 0.6 0.7 0.3 -0.2 -0.4 1 1 X1 X2

  18. 4 : Trouver les nouveaux poids du réseau de la figure ci-dessous si on présente le vecteur d’apprentissage (-1,1) 1. Net de la couche cachée Propagation avant h_in1 = 0.4 + (-1.0) (0.7) + (1.0) (-0.2) = -0.5 h_in2 = 0.6 + (-1.0) (-0.4) + (1.0) (0.3) = 1.3 Y -0.3 0.5 0.1 1 h2 h1 0.4 0.6 0.7 0.3 -0.2 -0.4 1 1 X1 X2

  19. 4 : Trouver les nouveaux poids du réseau de la figure ci-dessous si on présente le vecteur d’apprentissage (-1,1) Propagation avant Y 2. Out de la couche cachée -0.3 h1 = -1 + 2 / (1+ exp (- h_in1)) = -0.245 0.5 0.1 1 h2 = -1 + 2 / (1+ exp (- h_in2)) = 0.572 h2 h1 0.4 0.6 0.7 0.3 -0.2 -0.4 1 1 X1 X2

  20. 4 : Trouver les nouveaux poids du réseau de la figure ci-dessous si on présente le vecteur d’apprentissage (-1,1) Propagation avant Y -0.3 0.5 0.1 1 h2 h1 3. Net de la couche de sortie 0.4 0.6 y_in = -0.3 + (h1) (0.5) + (h2) (0.1) = -0.365 0.7 0.3 -0.2 -0.4 1 1 X1 X2

  21. 4 : Trouver les nouveaux poids du réseau de la figure ci-dessous si on présente le vecteur d’apprentissage (-1,1) 1. Net de la couche cachée Propagation avant h_in1 = 0.4 + (-1.0) (0.7) + (1.0) (-0.2) = -0.5 h_in2 = 0.6 + (-1.0) (-0.4) + (1.0) (0.3) = 1.3 Y -0.3 2. Out de la couche cachée 0.5 0.1 1 h1 = -1 + 2 / (1+ exp (- h_in1)) = -0.245 h2 h1 h2 = -1 + 2 / (1+ exp (- h_in2)) = 0.572 0.4 0.6 3. Net de la couche de sortie 0.7 0.3 y_in = -0.3 + (h1) (0.5) + (h2) (0.1) = -0.365 -0.2 -0.4 1 1 4. Out de la couche de sortie X1 X2 y = -1 + 2 / (1+ exp (- y_in)) = -0.181

  22. 4 : Trouver les nouveaux poids du réseau de la figure ci-dessous si on présente le vecteur d’apprentissage (-1,1) Rétro-propagation d k d 5. Erreur b D a Y d - y = 1 – (-0.181) = 1.181 6. dk -0.3 1 dk = (d – y) (0.5) (1 + y) (1 - y) = 0.571 0.5 0.1 h2 h1 0.4 0.6 0.7 0.3 -0.2 -0.4 1 1 X1 X2

  23. 4 : Trouver les nouveaux poids du réseau de la figure ci-dessous si on présente le vecteur d’apprentissage (-1,1) Rétro-propagation dk Y -0.2695 Dans le cas général : 0.5168 d j1 d j2 (-0.3) 0.1217 1 (0.5) (0.1) h2 h1 Dérivée de f (h_inj) 0.4 0.6 0.7 0.3 8. d j1 -0.2 -0.4 1 1 d j1 = (d k) (w1) (0.5) (1 + h1) (1 - h1)= 0.134 X1 X2 9. d j2 d j2 = (d k) (w2) (0.5) (1 + h2) (1 - h2)= 0.019

  24. 4 : Trouver les nouveaux poids du réseau de la figure ci-dessous si on présente le vecteur d’apprentissage (-1,1) Rétro-propagation dk Y D wjk -0.2695 7. D wkj 0.5168 1 0.1217 D w10 = () (dk) = 0.143 h2 h1 D w11 = () (dk) (h1) = -0.035 0.4 0.6 0.7 0.3 -0.2 -0.4 1 1 D w12 = () (dk) (h2) = 0.082 X1 X2

  25. 4 : Trouver les nouveaux poids du réseau de la figure ci-dessous si on présente le vecteur d’apprentissage (-1,1) Rétro-propagation Y d j1 d j2 0.0305 (-0.3) 0.0168 0.0217 D vn1 D vn2 1 10. D vjn h2 h1 D v10 = () (d j1) = 0.0335 D v11 = () (d j1) (x1) = -0.0335 0.438 0.6006 D v12 = () (d j1) (x2) = 0.0335 0.7 0.3006 D v20 = () (d j2) = 0.0048 1 1 -0.1962 -0.4 D v21 = () (d j2) (x1) = -0.0048 X1 X2 D v22 = () (d j2) (x2) = 0.0048

More Related