TensorFlow - XOR Uygulaması

Bu bölümde, TensorFlow kullanarak XOR uygulaması hakkında bilgi edineceğiz. TensorFlow'da XOR uygulamasına başlamadan önce, XOR tablosu değerlerini görelim. Bu, şifreleme ve şifre çözme sürecini anlamamıza yardımcı olacaktır.

Bir B Bir XOR B
0 0 0
0 1 1
1 0 1
1 1 0

XOR Cipher şifreleme yöntemi temelde kaba kuvvet yöntemiyle kırılması zor olan verileri şifrelemek için kullanılır, yani uygun anahtarla eşleşen rastgele şifreleme anahtarları oluşturarak.

XOR Cipher ile uygulama kavramı, bir XOR şifreleme anahtarı tanımlamak ve daha sonra bir kullanıcının şifrelemeye çalıştığı bu anahtarla belirtilen dizedeki karakterlerin XOR işlemini gerçekleştirmektir. Şimdi, aşağıda belirtilen TensorFlow kullanarak XOR uygulamasına odaklanacağız -

#Declaring necessary modules
import tensorflow as tf
import numpy as np
"""
A simple numpy implementation of a XOR gate to understand the backpropagation
algorithm
"""

x = tf.placeholder(tf.float64,shape = [4,2],name = "x")
#declaring a place holder for input x
y = tf.placeholder(tf.float64,shape = [4,1],name = "y")
#declaring a place holder for desired output y

m = np.shape(x)[0]#number of training examples
n = np.shape(x)[1]#number of features
hidden_s = 2 #number of nodes in the hidden layer
l_r = 1#learning rate initialization

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)

#conducting forward propagation
a1 = tf.concat([np.c_[np.ones(x.shape[0])],x],1)
#the weights of the first layer are multiplied by the input of the first layer

z1 = tf.matmul(a1,theta1)
#the input of the second layer is the output of the first layer, passed through the 
   activation function and column of biases is added

a2 = tf.concat([np.c_[np.ones(x.shape[0])],tf.sigmoid(z1)],1)
#the input of the second layer is multiplied by the weights

z3 = tf.matmul(a2,theta2)
#the output is passed through the activation function to obtain the final probability

h3 = tf.sigmoid(z3)
cost_func = -tf.reduce_sum(y*tf.log(h3)+(1-y)*tf.log(1-h3),axis = 1)

#built in tensorflow optimizer that conducts gradient descent using specified 
   learning rate to obtain theta values

optimiser = tf.train.GradientDescentOptimizer(learning_rate = l_r).minimize(cost_func)

#setting required X and Y values to perform XOR operation
X = [[0,0],[0,1],[1,0],[1,1]]
Y = [[0],[1],[1],[0]]

#initializing all variables, creating a session and running a tensorflow session
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)

#running gradient descent for each iteration and printing the hypothesis 
   obtained using the updated theta values
for i in range(100000):
   sess.run(optimiser, feed_dict = {x:X,y:Y})#setting place holder values using feed_dict
   if i%100==0:
      print("Epoch:",i)
      print("Hyp:",sess.run(h3,feed_dict = {x:X,y:Y}))

Yukarıdaki kod satırı, aşağıdaki ekran görüntüsünde gösterildiği gibi bir çıktı oluşturur -