txt file load
with open('ratings_train.txt', "r") as f:
train = f.read()
with open('ratings_test.txt', "r") as f:
test = f.read()with open('설명.txt',encoding='euc-kr') as f:
설명 = f.read()
# encoding='cp949'csv file load
data = pd.read_csv('data.csv')colab_google.drive_mount
from google.colab import drive
drive.mount('/content/drive')file delete
# 폴더 속 파일 지우기
#코랩 구글 드라이브 업로드폴더 리셋
upload_file_path = "/content/drive/MyDrive/project/static/upload/upload/upload.jpg"
if os.path.exists(upload_file_path):
os.remove(upload_file_path) # 업로드폴더에 파일을삭제perceptron 프레임워크
from sklearn.linear_model import Perceptron
X = [ [0,0],[0,1],[1,0],[1,1] ]
y = [ 0,0,0,1 ] # AND
y = [ 0,1,1,1 ] # OR
y = [ 1,1,1,0 ] # NAND
# XOR 불가능 : y = [ 0,1,1,0 ]
p = Perceptron()
p.fit(X,y)
print(p.coef_) # 기울기
print(p.intercept_) # 절편
# XOR 은 NAND 와 OR 을 AND 연산해야 한다perceptron def
# def AND
import numpy as np
# y=wx+b
def AND(x1,x2):
#y=wx+b
w1,w2=[1 , 1]
X=np.array([x1,x2])
W=np.array([w1,w2])
b=-1.5
t=np.sum(W*X)+b # x1 * w1 + x2 * w2 - 1.5 = ?
if t<= 0: # 1 1
return 0 #wx+b가음수 # x1+x2-1.5
else:
return 1 #wx+b양수
print('AND')
print(AND(0,0))
print(AND(0,1))
print(AND(1,0))
print(AND(1,1)) #엔드 둘다1이니까 1로 작동
# 출력 0 0 0 1
# def OR
import numpy as np
# y=wx+b
def OR(x1,x2):
#y=wx+b
w1,w2=[1 , 1]
X=np.array([x1,x2])
W=np.array([w1,w2])
b=-0.5
t=np.sum(W*X)+b #
if t<= 0:
return 0 #wx+b가음수
else:
return 1 #wx+b양수
print('OR')
print(OR(0,0))
print(OR(0,1)) # 일이 하나있으니까 OR이니까 작동 1
print(OR(1,0)) # 일이 하나있으니까 OR이니까 작동 1
print(OR(1,1))
# 출력 0 1 1 1
# def NAND (AND에서 리턴값만 reverse)
import numpy as np
# y=wx+b
def NAND(x1,x2):
#y=wx+b
w1,w2=[1 , 1]
X=np.array([x1,x2])
W=np.array([w1,w2])
b=-1.5
t=np.sum(W*X)+b
if t<= 0:
return 1 #wx+b가음수
else:
return 0 #wx+b양수
print('NAND')
print(AND(0,0))
print(AND(0,1))
print(AND(1,0))
print(AND(1,1))
# 출력 1 1 1 0
# def XOR
# AND 는 둘다 1이면 1
# OR 은 하나라도 1이면 1
# NAND 는 AND 반대 ( 둘다 1이 아니면 1 ,둘다 1이면 0)
# XOR 은 1이 1개일 경우 1, 1이 0개 또는 2개일 경우 0 (1이 홀수면 1 , 1이 없거나 짝수면 0)
# XOR = 베타적논리합 : 두가지 명제에서 한가지만 참인 경우를 말한다. 명제a만 참이거나 명제b만 참이거나
import numpy as np
# y=wx+b
def XOR(x1,x2):
o1 = NAND(x1,x2) #아웃원아웃투
o2 = OR(x1,x2)
return AND(o1,o2)
print('XOR')
print(XOR(0,0))
print(XOR(0,1))
print(XOR(1,0))
print(XOR(1,1))
# 결과 0 1 1 0
# def NAND 와 def OR 을 def AND 로 연산하여 XOR 을 구한다perceptron 한 블록 정리
import numpy as np
#y=wx+b
def AND(x1,x2):
#y=wx+b
w1,w2=[0.42202853,0.42202853]
X=np.array([x1,x2])
W=np.array([w1,w2])
b=-1.54273328
t=np.sum(W*X)+b
if t<=0:
return 0
else:
return 1
def OR(x1,x2):
#y=wx+b
w1,w2=[1.0,1.0]
X=np.array([x1,x2])
W=np.array([w1,w2])
b=-0.5
t=np.sum(W*X)+b
if t<=0:
return 0
else:
return 1
def NAND(x1,x2):
#y=wx+b
w1,w2=[1.0,1.0]
X=np.array([x1,x2])
W=np.array([w1,w2])
b=-1.5
t=np.sum(W*X)+b
if t<=0:
return 1
else:
return 0
def XOR(x1,x2):
o1=NAND(x1,x2)
o2=OR(x1,x2)
return AND(o1,o2)
print("AND")
print(AND(0,0))
print(AND(0,1))
print(AND(1,0))
print(AND(1,1))
print("OR")
print(OR(0,0))
print(OR(0,1))
print(OR(1,0))
print(OR(1,1))
print("NAND")
print(NAND(0,0))
print(NAND(0,1))
print(NAND(1,0))
print(NAND(1,1))
print("XOR")
print(XOR(0,0))
print(XOR(0,1))
print(XOR(1,0))
print(XOR(1,1))XOR def
# 케라스프레임워크로 간단히 할 수 있지만 한번은 원리 파악 필요
# XOR class로 구현
# 입력층노드3개 - 은닉층노드6개 - 출력층노드1개
import numpy as np
#뉴런은노드의수로가중치의개수가결정된다
# 3 6 1
# 시그모이드 함수
def actf(x):
return 1 / (1 + np.exp(-x))
# 시그모이드 함수의 미분값
def actf_deriv(x):
return x * (1 - x)
# XOR 연산을 위한 4행*2열의 입력 행렬
# 마지막 열[1]은 바이어스값을 나타낸다.
X = np.array([[0, 0, 1], [0, 1, 1], [1, 0, 1], [1, 1, 1]]) # 00 01 10 11
# XOR 연산을 위한 4행*1열의 목표 행렬 # 0인지 1인지 출력이 1개니까 한개
y = np.array([[0], [1], [1], [0]]) # 0110 이니까 XOR 이 부분 0001로 바꾸면 AND
np.random.seed(5)
inputs = 3 # 입력층의 노드 개수
hiddens = 6 # 은닉층의 노드 개수
outputs = 1 # 출력층의 노드 개수
# 가중치를 –1.0에서 1.0 사이의 난수로 초기화한다.
weight0 = 2 * np.random.random((inputs, hiddens)) - 1 #입력층과 은닉층 사이의 웨이트
weight1 = 2 * np.random.random((hiddens, outputs)) - 1 #은닉층과 출력층 사이의 웨이트
# 반복한다.
for i in range(10000): # 백프로파게이션 자꾸 반복~
# 순방향 계산 레이어0 입력층 , 레이어1: 은닉층 , 레이어2: 출력층
layer0 = X # 입력을 layer0에 대입한다.
net1 = np.dot(layer0, weight0) # 행렬의 곱을 계산한다. #은닉층으로 들어갈 인풋에 웨이트 적용
layer1 = actf(net1) # 활성화 함수를 적용한다. #은닉층에서 액티베이션펑션 적용
layer1[:, -1] = 1.0 # 마지막 열은 바이어스를 나타낸다. 1.0으로 만든다.
net2 = np.dot(layer1, weight1) # 행렬의 곱을 계산한다 #은닉층에서 액티베이션펑션 적용되어 나온 것에 웨이트 적용
layer2 = actf(net2) # 활성화 함수를 적용한다. #출력층에서 액티베이션펑션 적용 > 출력층아웃풋
#layer2는프레딕트값이니까 아래 오차를 계산
##백프로파게이션과정
#로스게산
# 출력층에서의 오차를 계산한다.
# layer2에러 : 은닉층과 출력층 사이의 오차값
layer2_error = layer2 - y
#가중치의갱신을위해역으로돌아간다 : 오차 역전파 백프로파게이션 오차역전파를 통해 가중치를 업데이트해서 학습
#미분을하면줄어든다-많이하면-문제가생긴다-딥러닝의학습문제-(층이깊어지면문제 레이어를거치다
#계속줄어서 사라진다 오차역전파가 전달이 안된다) 이걸보완하는법-
#뒤로갈때 미분을 사용
#액티베이션펑션을미분한것으로뒤로가기
# 출력층에서의 델타값을 계산한다.
layer2_delta = layer2_error * actf_deriv(layer2) # actf_deriv은 액티베이션펑션을 미분한 것
#레이어2델타로 아래서 #이게 미분
#델타:오차곱하게엑티베이션평션미분~~~~
# 은닉층에서의 오차를 계산한다.
# 여기서 T는 행렬의 전치를 의미한다.수
# 역방향으로 오차를 전파할 때는 반대방향이므로 행렬이 전치되어야 한다.
# layer1에러 : 입력층과 은닉층 사이의 오차값
layer1_error = np.dot(layer2_delta, weight1.T)
#내적 입력층과 은닉층 사이의 오차값
# 입력층 - 은닉층 - 출력층
# 오차1 오차2
#두가지오차가 아래서 갱신된다 weight
# 은닉층에서의 델타를 계산한다.
layer1_delta = layer1_error * actf_deriv(layer1)
# 은닉층->출력층을 연결하는 가중치를 수정한다.
weight1 += -0.2 * np.dot(layer1.T, layer2_delta) # 웨이트1은 은닉층과 출력층 사이의 웨이트, 레이어1은 은닉층 레이어2는 출력층
# -0.2는 그레디언트 학습률
# 입력층->은닉층을 연결하는 가중치를 수정한다.
weight0 += -0.2 * np.dot(layer0.T, layer1_delta) # 웨이트0은 입력층과 은닉층 사이의 웨이트
print(layer2) # 현재 출력층의 값을 출력한다.
print(layer2>0.5)
# 출력
[[0.02391914]
[0.9757925 ]
[0.97343127]
[0.03041428]]
[[False] # 0
[ True] # 1
[ True] # 1
[False]] # 0XOR deeplearning
# XOR 을 딥러닝모델로 풀기
# XOR 연산을 위한 4행*2열의 입력 행렬
# 마지막 열[1]은 바이어스값을 나타낸다.
import numpy as np
X = np.array([[0, 0, 1], [0, 1, 1], [1, 0, 1], [1, 1, 1]]) # 00 01 10 11
# XOR 연산을 위한 4행*1열의 목표 행렬 # 0인지 1인지 출력이 1개니까 한개
y = np.array([[0], [1], [1], [0]]) # 0110 이니까 XOR 이 부분 0001로 바꾸면 AND
from tensorflow import keras
from tensorflow.keras import Sequential #모델
from tensorflow.keras.layers import Flatten , Dense #layer 층
m = Sequential() #모델선언
m.add(Flatten(input_shape=(3,))) # 아래 d', input_shape=(3,) ) ) 인풋쉐입을 빼고 따로 인풋레이어를 설정하는 것
# 첫 레이어 첫 층 # input_shape=(3,)
m.add( Dense( 6, activation='sigmoid', ) ) # 6: 은닉층 노드 수, #인풋쉐입(입력은 0 0 1 모두3개짜리 하나가 입력),입력데이터피처수3개
# 출력 층
m.add( Dense( 1, activation='sigmoid' ) ) # 1 :출력층노드수 (아웃풋은 0또는1로 두개중 하나)
m.summary # 모델 정보 확인
#학습방법선언
m.compile(loss = 'binary_crossentropy' , metrics = 'acc') # acc:accuracy약어 #metrics(측정항복): 데이터를어떻게판단할것인가
#학습
m.fit(X,y, epochs=5000 )
m.predict(np.array([[0,0,1]])) # 0 , 0 이니까 0 에 가깝다
# m.summary()
BABY