Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen der Seite angezeigt.

--- talit:neuronale_netze_kurs [2024-07-01 13:45] – § gra
+++ talit:neuronale_netze_kurs [2025-07-02 11:00] (aktuell) – [1. Plan] hof
@@ Zeile 21: / Zeile 21: @@
 |MI Morgen| Recap: Neuronale Netze Programmieren |
 |:::| weiter an Aufgaben |
-|MI Nachmittag| weiter an Aufgaben |
+|MI Nachmittag| Neuronale Netzwerke mit Tensorflow |
 |DO Morgen| weiter an Aufgaben |
 |DO Nachmittag| Buffer |
@@ Zeile 38: / Zeile 38: @@
    * {{ :talit:data_mnist.zip |}}
+==== Repos ====
+<nodisp 1>
+++++Hide|
+   * [[https://github.com/tkilla77/ksr_talenta_nn|github.com/tkilla77/ksr_talenta_nn]]
+++++
+</nodisp>
 ===== - Aufgaben =====
-Erstelle **GitHub-Repo** z.B. mit Namen "neural_networks". Lege alle deine Code-Files hier drin ab. Committe und pushe regelmässig.
+Erstelle **GitHub-Repo** z.B. mit Namen "talit\_neural\_networks". Lege alle deine Code-Files hier drin ab. Committe und pushe regelmässig.
 Aufgaben: Siehe Slides
@@ Zeile 63: / Zeile 68: @@
 **Tipps:**
-   * CSV-File einlesen:
+   * **CSV-File einlesen:**
 <code python>
@@ Zeile 82: / Zeile 87: @@
    * Achtung: Liest man File ein, werden Zahlen typischerweise als Text interpretiert. Daher muss man diese noch in ints umwandeln. Mit *List Comprehensions* geht dies sehr einfach.
+   * **Numpy-Arrays in File speichern und laden** (z.B. Liste mit Gewichtsmatrizen):
+<code python>
+import numpy as np
+# SAVE LIST OF NP ARRAYS
+array_list = [np.array([1, 2, 3]), np.array([[4, 5], [6, 7]]), np.array([8, 9, 10, 11])]
+object_array = np.array(array_list, dtype=object)
+np.save('array_list.npy', object_array)
+# LOAD INTO LIST OF NP ARRAYS
+loaded_array_list = np.load('array_list.npy', allow_pickle=True)
+loaded_array_list = list(loaded_array_list)
+</code>
 ==== Aufgabe 2 ====
+<nodisp 2>
+++++2024|
 <color red>**Bemerkung für 2024**: Leider hatten wir keine Zeit, die **objektorientierte Programmierung (OOP)** zu behandeln. Recherchiere deshalb selbst kurz dazu im Internet oder studiere ein passendes Video, z.B.:</color>
@@ Zeile 90: / Zeile 112: @@
    * [[https://www.youtube.com/watch?v=q2SGW2VgwAM]]
+++++
+</nodisp>
 Auftrag:
@@ Zeile 120: / Zeile 144: @@
          # ...
-    def test(self, dataList):
+    def test(self, data_list):
          # ...
@@ Zeile 133: / Zeile 157: @@
    * **Ziel: NN für Toy-Problem trainieren**
-   * Mache eine Kopie des Files `02_feedforward_oop.py` und speichere diese unter dem Namen `03_toyproblem_training.py` (resp. `<...>.ipynb`)
+   * Mache eine Kopie des Files `02_feedforward_oop.py` und speichere diese unter dem Namen `03_toy_problem_training.py` (resp. `<...>.ipynb`)
    * Kommentiere alles, was mit dem MNIST-Datensatz zu tun hat, aus. Für den Moment wollen wir uns nur um das Toy-Problem kümmern.
    * Erweitere deine Network-Klasse um das Attribut `learning_rate`. Ein Wert für diese soll als Argument für die `__init__`-Methode übergeben werden, wenn ein `Network`-Objekt erstellt wird.
@@ Zeile 143: / Zeile 167: @@
    * Besprich deine Lösung mit dem Lehrer.
+<code python>
+# Stuktur:
+class Network:
+    def __init__(self, input_neurons, hidden_neurons, output_neurons):
+        # Variablen für Anz. Neuronen definieren
+        # Gewichtsmatrizen erzeugen (zufällige Werte)
+    def feedforward(self, x):
+        # hidden Layer h aus Eingangswerten x und Gewichtsmatrix wA berechnen.
+        # output Layer y  aus Ausgangswerten y und Gewichtsmatrix wB berechnen.
+        # beides (h und y) zurückgeben.
+    def test(self, data_list):
+        # data_list Zeile für Zeile durchgehen:
+        	# Target-Wert auslesen und Target-Vektor erstellen,
+        	# Einangswerte auslesen und Eingangs-Vektor erstellen. --> read_data
+        	# Hidden- und Output-Werte aus Eingangswerten berechnen --> feedforward
+        	# Ausgangswert mit Eingangswert vergleichen, korrekte Resultate zählen
+        # Erfolgsquote zurückgeben.
+    def train(self, data_list):
+    	# data_list Zeile für Zeile durchgehen:
+    		# Target-Wert auslesen und Target-Vektor erstellen,
+        	# Einangswerte auslesen und Eingangs-Vektor erstellen. --> read_data
+        	# Hidden- und Output-Werte aus Eingangswerten berechnen --> feedforward
+        	# Fehler auf Output-Layer berechnenen (Target - Output)
+        	# Fehler auf Hidden-Layer berechnen  (Fehler auf Output dot wB)
+        	# Gewichtsmatrizen wA und WB aktualisieren (siehe Folie "Zusammenfassung")
+# Erstelle ein Netzwerk für das Toy-Problem:
+toy_net = Network(4, 3, 2)
+# Datenliste aus CSV auslesen und:
+# Testen (Erfolg für Toy-Problem ca. 50 %)
+# Trainieren
+# Testen (Erfolg hoffentlich ca. 90 %)
+</code>
 ==== Aufgabe 4 ====