hopfield神经网络不能达到预期

丶霁灵

1. #!/usr/bin/env python
   
2. # coding: utf-8
   
3. 
   
4. # In[1]:
   
5. 
   
6. 
   
7. import numpy as np
   
8. import neurolab as nl
   
9. import matplotlib.pyplot as plt
   
10. 
    
11. 
    
12. # In[2]:
    
13. 
    
14. 
    
15. target = np.array([[0,0,0,0,0,0,0,0,
    
16.                    0,0,0,1,1,0,0,0,
    
17.                    0,0,1,0,0,1,0,0,
    
18.                    0,1,0,0,0,0,1,0,
    
19.                    0,1,0,0,0,0,1,0,
    
20.                    0,1,0,0,0,0,1,0,
    
21.                    0,1,0,0,0,0,1,0,
    
22.                    0,1,0,0,0,0,1,0,
    
23.                    0,1,0,0,0,0,1,0,
    
24.                    0,1,0,0,0,0,1,0,
    
25.                    0,1,0,0,0,0,1,0,
    
26.                    0,1,0,0,0,0,1,0,
    
27.                    0,1,0,0,0,0,1,0,
    
28.                    0,0,1,0,0,1,0,0,
    
29.                    0,0,0,1,1,0,0,0,
    
30.                    0,0,0,0,0,0,0,0],
    
31.                   
    
32.                    [0,0,0,0,0,0,0,0,
    
33.                    0,0,0,0,1,0,0,0,
    
34.                    0,0,0,1,1,0,0,0,
    
35.                    0,0,1,0,1,0,0,0,
    
36.                    0,0,0,0,1,0,0,0,
    
37.                    0,0,0,0,1,0,0,0,
    
38.                    0,0,0,0,1,0,0,0,
    
39.                    0,0,0,0,1,0,0,0,
    
40.                    0,0,0,0,1,0,0,0,
    
41.                    0,0,0,0,1,0,0,0,
    
42.                    0,0,0,0,1,0,0,0,
    
43.                    0,0,0,0,1,0,0,0,
    
44.                    0,0,0,0,1,0,0,0,
    
45.                    0,0,0,0,1,0,0,0,
    
46.                    0,0,1,1,1,1,1,0,
    
47.                    0,0,0,0,0,0,0,0],
    
48.                   
    
49.                    [0,0,0,0,0,0,0,0,
    
50.                    0,0,1,1,1,1,0,0,
    
51.                    0,1,0,0,0,0,1,0,
    
52.                    0,1,0,0,0,0,1,0,
    
53.                    0,0,0,0,0,0,1,0,
    
54.                    0,0,0,0,0,0,1,0,
    
55.                    0,0,0,0,0,0,1,0,
    
56.                    0,0,0,0,0,1,0,0,
    
57.                    0,0,0,0,1,0,0,0,
    
58.                    0,0,0,1,0,0,0,0,
    
59.                    0,0,1,0,0,0,0,0,
    
60.                    0,1,0,0,0,0,0,0,
    
61.                    0,1,0,0,0,0,0,0,
    
62.                    0,1,0,0,0,0,0,0,
    
63.                    0,1,1,1,1,1,1,0,
    
64.                    0,0,0,0,0,0,0,0]
    
65.                   ])
    
66. 
    
67. 
    
68. # In[3]:
    
69. 
    
70. 
    
71. def visualized(data,title):
    
72.     fig,ax = plt.subplots()
    
73.     ax.imshow(data,cmap=plt.cm.gray,interpolation='nearest')
    
74.     ax.set_title(title)
    
75.     plt.show()
    
76. 
    
77. for i in range(len(target)):
    
78.     visualized(np.reshape(target[i],(16,8)),i)
    
79. 
    
80. 
    
81. # In[4]:
    
82. 
    
83. 
    
84. #HOPfield是1和-1
    
85. target[target==0] = -1
    
86. 
    
87. #创建一个hopfield神经网络，吸引子为（012）
    
88. net = nl.net.newhop(target)
    
89. 
    
90. 
    
91. # In[9]:
    
92. 
    
93. 
    
94. #测试数据
    
95. test_data1 = np.array([0,0,0,0,0,0,0,0,
    
96.                        0,0,0,1,1,0,0,0,
    
97.                        0,0,1,0,0,1,0,0,
    
98.                        0,1,0,0,0,0,0,0,
    
99.                        0,1,0,1,0,0,1,0,
    
100.                        0,1,0,0,0,0,1,1,
     
101.                        0,1,0,0,1,0,1,0,
     
102.                        0,1,0,0,0,0,1,0,
     
103.                        0,0,0,0,0,0,1,0,
     
104.                        0,1,0,0,0,0,1,0,
     
105.                        0,1,0,0,1,0,0,0,
     
106.                        0,0,0,0,1,0,1,0,
     
107.                        0,1,0,1,0,0,0,0,
     
108.                        0,0,1,0,0,1,0,0,
     
109.                        0,0,0,1,1,0,0,0,
     
110.                        0,0,0,0,0,0,0,0])
     
111. test_data2 = np.array([0,1,0,0,0,1,0,0,
     
112.                        0,0,0,0,1,0,0,0,
     
113.                        0,0,0,1,1,0,0,0,
     
114.                        0,0,1,0,1,0,0,0,
     
115.                        0,1,0,0,0,0,1,0,
     
116.                        0,1,0,0,1,0,1,0,
     
117.                        0,0,0,0,1,0,0,0,
     
118.                        0,0,0,0,1,0,0,0,
     
119.                        0,0,0,1,0,0,1,0,
     
120.                        0,1,0,0,1,0,0,0,
     
121.                        0,0,0,0,1,0,0,0,
     
122.                        0,0,0,0,0,0,0,0,
     
123.                        0,0,0,0,1,0,0,0,
     
124.                        0,0,0,0,1,0,0,0,
     
125.                        1,1,1,1,0,1,1,1,
     
126.                        0,0,1,0,0,0,1,0])
     
127. test_data3 = np.array([0,0,1,0,0,0,0,0,
     
128.                        0,0,1,0,1,1,0,0,
     
129.                        0,0,0,0,0,0,0,0,
     
130.                        0,0,0,0,0,0,1,0,
     
131.                        1,1,0,0,1,0,0,0,
     
132.                        0,1,0,0,0,0,1,0,
     
133.                        0,1,0,0,1,0,0,0,
     
134.                        0,1,0,0,0,1,0,0,
     
135.                        0,0,0,0,0,0,0,0,
     
136.                        0,0,1,1,0,0,1,1,
     
137.                        0,0,1,0,0,0,0,0,
     
138.                        0,1,0,0,0,0,0,0,
     
139.                        0,1,0,1,0,0,1,0,
     
140.                        0,1,0,1,0,0,0,0,
     
141.                        0,1,1,0,0,1,1,0,
     
142.                        0,0,0,0,0,0,0,0])
     
143. test_data4 = np.array([0,0,0,0,0,0,0,0,
     
144.                        0,0,1,1,1,1,0,0,
     
145.                        0,1,0,0,0,0,1,0,
     
146.                        0,1,0,0,0,0,1,0,
     
147.                        0,0,0,0,0,0,1,0,
     
148.                        0,0,0,0,0,0,1,0,
     
149.                        0,0,0,0,0,0,1,0,
     
150.                        0,0,0,0,0,1,0,0,
     
151.                        0,0,0,0,1,0,0,0,
     
152.                        0,0,0,1,0,0,0,0,
     
153.                        0,0,1,0,0,0,0,0,
     
154.                        0,1,0,0,0,0,0,0,
     
155.                        0,1,0,0,0,0,0,0,
     
156.                        0,1,0,0,0,0,0,0,
     
157.                        0,1,1,1,1,1,1,0,
     
158.                        0,0,0,0,0,0,0,0])
     
159. 
     
160. 
     
161. # In[10]:
     
162. 
     
163. 
     
164. visualized(np.reshape(test_data1,(16,8)),'test1')
     
165. visualized(np.reshape(test_data2,(16,8)),'test2')
     
166. visualized(np.reshape(test_data3,(16,8)),'test3')
     
167. visualized(np.reshape(test_data4,(16,8)),'test4')
     
168. 
     
169. 
     
170. # In[7]:
     
171. 
     
172. 
     
173. def test(test_data):
     
174.     global target
     
175.     test_data[test_data==0] = -1
     
176.     out = net.sim([test_data])
     
177.     for i in range(len(target)):
     
178.         if ((out == target[i]).all()):
     
179.             print('test_data is ',i)
     
180.     visualized(np.reshape(out,(16,8)),'a')
     
181.    
     
182. test(test_data4)
     
183. 
     
184. 
     
185. # In[15]:
     
186. 
     
187. 
     
188. test_data4[test_data4==0] = -1
     
189. out1 = net.sim([test_data4])
     
190. for i in range(len(target)):
     
191.     if ((out1 == target[i]).all()):
     
192.         print('test_Data is :',i)
     
193. visualized(np.reshape(out1,(16,8)),'a')
     
194. 
     
195. 
     
196. # In[ ]:
     
197. 
     
198. 
     
199. 
     
200. 
     

复制代码

这是三个输出图，问题就是，不管换哪一个测试数据，都会得到同一个输出，实在是找不到问题所在。
哪里都找不到答案，只能回到鱼C老家提问了呜呜呜

老八秘制

艹，介么高级，不会

BIO-张磊

很高级，我有同学也做这个，他有次跟我说，python做深度学习，确实方便，但是精度不够，不知道为什么，结果不能达到预期，换了matlib同样的代码思路，结果就跑出来。
我只是听他说过，具体什么原因，我不知道。如果有错误，请指出。

_2_

……
据我所知，这个论坛好像没多少人干这个吧