In questa fase della scrittura, dopo aver definito la struttura della rete e le sue caratteristiche, le righe di codice declinano i pesi tra i collegamenti neurali, gli strati nascosti e la previsione dell'errore. Per arrivare ad interagire attivamente con la rete, si deve utilizzare il comando “def train” che apporta delle variazioni sui parametri che caratterizzano il modello. In questo step si definisce la funzione di addestramento della rete, è in questo frangente che si ha la possibilità di definire il numero di epoche 174 che la rete deve svolgere, nel modello 2000, il momentum e il learning rate. def train(self,
patterns,
iterations=2000,
learningrate=0.6, momentum=0.2): """Train network a patterns""" for i in range(iterations): error = 0.0 for p in patterns: inputs = p[0] targets = p[1] self.update(inputs) error = error + self.backPropagate(targets, learningrate, momentum) if i % 100 == 0: print('error %-.5f' % error)
L'ultimo passaggio permette di definire gli strati della rete, definisce il numero di input, di strati nascosti e output, attraverso il comando “def test” . Si inseriscono, il numero di input, nel nostro caso 12, uno strato nascosto con composto da 8 nodi, e l'output in questo caso 1. def test(): # Teach network XOR function 174
Coincide con un ciclo di presentazione degli esempi del training set
110