TensorFlow — реализация XOR
В этой главе мы узнаем о реализации XOR с использованием TensorFlow. Прежде чем начать с реализации XOR в TensorFlow, давайте посмотрим значения таблицы XOR. Это поможет нам понять процесс шифрования и дешифрования.
| A | В | A XOR B |
| 0 | 0 | 0 |
| 0 | 1 | 1 |
| 1 | 0 | 1 |
| 1 | 1 | 0 |
Метод шифрования XOR в основном используется для шифрования данных, которые трудно взломать методом грубой силы, т. е. путем генерации случайных ключей шифрования, которые соответствуют соответствующему ключу.
Концепция реализации с XOR Cipher состоит в том, чтобы определить ключ шифрования XOR и затем выполнить операцию XOR символов в указанной строке с этим ключом, который пользователь пытается зашифровать. Теперь мы сосредоточимся на реализации XOR с использованием TensorFlow, которая упоминается ниже:
#Объявление необходимых модулей
import tensorflow as tf
import numpy as np
"""
Простая реализация NumPy
Схема исключающее или понять алгоритм обратного распространения
"""
x = tf.placeholder(tf.float64,shape = [4,2],name = "x")
#объявления держатель для входного сигнала х
y = tf.placeholder(tf.float64,shape = [4,1],name = "y")
#объявление заполнителя для желаемого вывода y
m = np.shape(x)[0]#количество примеров обучения
n = np.shape(x)[1]#количество функций
hidden_s = 2 #количество узлов в скрытом слое
l_r = 1#инициализация скорости обучения
theta1 = tf.cast(tf.Variable(tf.random_normal([3,hidden_s]),name = "theta1"),tf.float64)
theta2 = tf.cast(tf.Variable(tf.random_normal([hidden_s+1,1]),name = "theta2"),tf.float64)
#проведение прямого распространения
a1 = tf.concat([np.c_[np.ones(x.shape[0])],x],1)
#весы первого слоя умножаются на вход первого слоя
z1 = tf.matmul(a1,theta1)
#вход второго слоя является выходом первого слоя, пропускается через функцию активации и добавляется столбец смещений
a2 = tf.concat([np.c_[np.ones(x.shape[0])],tf.sigmoid(z1)],1)
#на вход второго слоя умножается на вес
z3 = tf.matmul(a2,theta2)
#выход передается через функцию активации для получения конечной вероятности
h3 = tf.sigmoid(z3)
cost_func = -tf.reduce_sum(y*tf.log(h3)+(1-y)*tf.log(1-h3),axis = 1)
#встроенный оптимизатор тензорного потока, который проводит градиентный спуск с использованием заданной скорости обучения для получения тета-значений
optimiser = tf.train.GradientDescentOptimizer(learning_rate = l_r).minimize(cost_func)
#установка необходимых значений X и Y для выполнения операции XOR
X = [[0,0],[0,1],[1,0],[1,1]]
Y = [[0],[1],[1],[0]]
#инициализация всех переменных, создание сеанса и запуск сеанса tensorflow
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
#запуск градиентного спуска для каждой итерации и печать гипотезы, полученной с использованием обновленных значений тета
for i in range(100000):
sess.run(optimiser, feed_dict = {x:X,y:Y}) #установка значений держателя места с помощью feed_dict
if i%100==0:
print("Epoch:",i)
print("Hyp:",sess.run(h3,feed_dict = {x:X,y:Y}))
Выше строка кода генерирует вывод, как показано на скриншоте ниже:
