感知器_function calcoutput(inputs){-优快云博客

本文链接：https://blog.youkuaiyun.com/KEY2018/article/details/115105734

这篇博客详细介绍了如何在 Node.js 中使用简单的数据集训练一个神经网络，并展示了初始化权重、计算输出、误差率计算以及权重调整的过程。通过训练函数不断迭代优化权重，直至误差率低于预设阈值。文章还提供了训练过程的可视化方法，以便于理解神经网络的学习动态。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在nodejs中运行

// 数据集
var datas = [
  [[0, 0], 0],
  [[0, 1], 1],
  [[1, 0], 1],
  [[1, 1], 1],
];
// 初始化权重值
var weights = [];
for (var i = 0; i < datas[0][0].length + 1; i++) {
  // 有正有负
  weights[i] = Math.random() - 0.5;
}
//计算
function calcOutput(inputs) {
  // 最后一个为偏执
  return sigmoid(inputs[0] * weights[0] + inputs[1] * weights[1] + weights[2]);
}
// sigmoid函数
function sigmoid(x) {
  return 1 / (1 + Math.pow(Math.E, -x));
}
// 计算误差
function errRate(output, excepted) {
  return Math.abs(output - excepted);
}
// 尝试调整权限
var num = 1; //计数
var d = 0.000001; //微调值
var trainRate = 0.1; //训练率(训练速度)
var threshold = 0.001; //设置停止条件
function train(inputs, excepted) {
  var dw = [];
  // 微调前计算误差
  var err = errRate(calcOutput(inputs), excepted);
  //   误差微调
  weights.forEach(function (w, i) {
    weights[i] += d;
    //   微调后计算误差
    var err2 = errRate(calcOutput(inputs), excepted);
    // 微调产生的效果进行记录
    dw[i] = (err2 - err) / d;
    //权重值复位
    weights[i] = w;
  });
  //   调整权重
  weights.forEach(function (w, i) {
    weights[i] -= dw[i] * trainRate;
  });
  //   打印错误率
  num++;
  if (num % 500 == 0) {
    //设置运行多少次打印一次
    console.log(calcError(err));
  }
  return calcError(err);
}
// 训练过程可视化
// 计算最近n次错误率的平均值
var errors = [];
var maxError = 20;
function calcError(err) {
  errors.push(err);
  if (errors.length > maxError) {
    errors.shift();
  }
  return errors.reduce((tmp, item) => tmp + item) / errors.length;
}
for (var i = 0; ; i++) {
  // 有限数据集重复训练
  var data = datas[i % datas.length];
  if (train(data[0], data[1]) <= threshold) {
    break;
  }
}
console.log(weights);