Toteutus
Eli suunnitelman mukaiset koodit loin pelkästään
OpenAI ChatGPT tekoälyllä, antamalla sille vain ohjeita.
Ja kokeilemalla koodeja Visual Code ympäristössä.
Kunnes ne toimi niin kuin halusin.
Näin syntyneet koodit löytyy Github.com:sta täältä: https://github.com/Itworksonscreen/8neuroverkko8
Keskustelu toteuksen suhteen OpenAI ChatGPT kanssa
Käydään seuraavaksi läpi keskustelu OpenAI ChatGPT kanssa erilaisista toiminnoista mitä piti saada aikaiseksi, niin että keskustelu on lohkottu sopiviin paloihin. Ja lopussa sitten koko keskustelu yhtenä kokonaisuutena.
HUOM! Keskustelussa Chat GPT kanssa harmaalla pohjalla olen itse sinisellä värillä, jotta keskustelua Chat GPT kanssa olisi helpompi seurata.
Luodaan python koodi vain vaihtamaan bittien tilaa
Luodaan aluksi pelkästään Python-koodi Tkinter-kirjastoa käyttäen, jossa on 8 sisääntulo ja 8 ulostulobittiä labelissa.
Labeli tarkoittaa siis käytännössä 8 bittiä josta muodostuu tavu. Ja koska labeli sanaa käytetään tekoälyssä monissakin paikoissa hermoverkkoja käytettäessä. Niin käytetään sitä nyt tässäkin.
Eli sisääntulojen 8-bitin eli labelin tilaa voi muuttaa klikkaamalla siinä olevia bittejä. Ja ulostulojen 8-bitin labeli muuttuu vastakkaiseen tilaan verrattuna kahdeksaan sisääntulobittiin eli labeliin.
Keskustelu asiasta ChatGPT kanssa:
Tee pythonkoodi jossa on 8 sisääntuloa ja ulostulona on myös 8 ulostuloa. Ja jossa sisääntulojen tilaa voi vaihdella klikkaamalla niitä jolloin väri vaihtuu punaisesta vihreään ja toista päin. Vihreä on 1 tila ja punainen on 0 tila. Sama sitten ulostulo puolelle. Tuo ulostulo matkii sisääntulojen tilaa. Tee tuolle myös graafinen käyttöliittymä.
ChatGPT
Tässä on Python-koodi, joka käyttää Tkinter-kirjastoa graafisen käyttöliittymän luomiseen. Tämä sovellus sisältää 8 sisääntuloa ja 8 ulostuloa, joissa voit muuttaa tilaa klikkaamalla painikkeita, ja ulostulot peilaavat sisääntulojen tilaa.
python
Kopioi koodi
import tkinter as tk
class IOApp:
def __init__(self, root):
self.root = root
self.root.title("Input/Output Simulator")
self.input_buttons = []
self.output_labels = []
# Create input buttons
for i in range(8):
btn = tk.Button(root, text="0", width=10, height=2, bg="red", command=lambda i=i: self.toggle_input(i))
btn.grid(row=0, column=i, padx=5, pady=5)
self.input_buttons.append(btn)
# Create output labels
for i in range(8):
lbl = tk.Label(root, text="0", width=10, height=2, bg="red")
lbl.grid(row=1, column=i, padx=5, pady=5)
self.output_labels.append(lbl)
# Update output to match input initially
self.update_outputs()
def toggle_input(self, index):
btn = self.input_buttons[index]
if btn["text"] == "0":
btn.config(text="1", bg="green")
else:
btn.config(text="0", bg="red")
self.update_outputs()
def update_outputs(self):
for i in range(8):
state = self.input_buttons[i]["text"]
self.output_labels[i].config(text=state, bg="green" if state == "1" else "red")
if __name__ == "__main__":
root = tk.Tk()
app = IOApp(root)
root.mainloop()
Selitykset:
IOApp-luokka sisältää sovelluksen logiikan.
__init__-metodi luo 8 sisääntuloa (painiketta) ja 8 ulostuloa (labelia), jotka asetetaan ruudukkoon.
toggle_input-metodi vaihtaa painikkeen tilaa klikkaamalla ja päivittää sen värin ja tekstin.
update_outputs-metodi päivittää ulostulojen tilan vastaamaan sisääntulojen tilaa.
Voit suorittaa tämän koodin Python-ympäristössä, jossa on Tkinter asennettuna, ja se avaa graafisen käyttöliittymän, jossa voit klikkailla painikkeita ja nähdä muutokset reaaliajassa.
Nyt muuta tuo ulostulo että se on vastakkainen sisääntulon tilaan nähden.
ChatGPT
Tässä on muokattu Python-koodi, jossa ulostulojen tila on vastakkainen sisääntulojen tilaan nähden:
python
Kopioi koodi
import tkinter as tk
class IOApp:
def __init__(self, root):
self.root = root
self.root.title("Input/Output Simulator")
self.input_buttons = []
self.output_labels = []
# Create input buttons
for i in range(8):
btn = tk.Button(root, text="0", width=10, height=2, bg="red", command=lambda i=i: self.toggle_input(i))
btn.grid(row=0, column=i, padx=5, pady=5)
self.input_buttons.append(btn)
# Create output labels
for i in range(8):
lbl = tk.Label(root, text="1", width=10, height=2, bg="green")
lbl.grid(row=1, column=i, padx=5, pady=5)
self.output_labels.append(lbl)
# Update output to match input initially
self.update_outputs()
def toggle_input(self, index):
btn = self.input_buttons[index]
if btn["text"] == "0":
btn.config(text="1", bg="green")
else:
btn.config(text="0", bg="red")
self.update_outputs()
def update_outputs(self):
for i in range(8):
state = self.input_buttons[i]["text"]
opposite_state = "0" if state == "1" else "1"
self.output_labels[i].config(text=opposite_state, bg="green" if opposite_state == "1" else "red")
if __name__ == "__main__":
root = tk.Tk()
app = IOApp(root)
root.mainloop()
Selitykset:
update_outputs-metodi päivittää ulostulojen tilan vastakkaiseksi sisääntulojen tilaan nähden.
Jos sisääntulon tila on "1" (vihreä), ulostulon tila on "0" (punainen), ja päinvastoin.
Luodaan hermoverkko sisään ja ulostulo labelien väliin
Lisätään neuroverkko nyt noiden 8 sisään ja ulostulobitin eli labelien väliin. Joka koulutetaan kääntämään sisääntulojen tilat vastakkaisiksi ulostuloiksi.
Koulutusdatana neuroverkolle käytetään kaikkia mahdollisia 8-bittisiä yhdistelmiä, joissa jokainen mahdollinen sisääntulokombinaatio on mukana.
Keskustelu asiasta ChatGPT kanssa:
Nyt haluan tuohon outputin ja inputin väliin hermoverkon joka koulutetaan kääntämään nuo ulostulot vastakkaiseksi tuloksi. Eli muuta lisää koodiin hermoverkko tulkitsemaan sisääntulojen tilaa ja säätämään sitten ulostulot oikein. Sen lisäksi tee erikseen hermoverkon koulutuskoodi hermoverkkoa varten, joka osaa kääntää nuo tulot oikein halutulla tavalla. Joka tallentaa tuon hermoverkkokoodin. Jonka voin sitten liittää tuohon koodiin joka käyttää nyt hermoverkkoa kääntämään tilat vastakkaiseksi.
ChatGPT
Jotta voimme toteuttaa tämän tehtävän, tarvitsemme kaksi osaa:
Hermoverkon koulutuskoodin, joka osaa kääntää sisääntulot vastakkaisiksi ulostuloiksi.
Päivitetyn Tkinter-sovelluksen, joka käyttää koulutettua hermoverkkoa.
Hermoverkon koulutuskoodi
Ensimmäinen osa koodista kouluttaa hermoverkon suorittamaan halutun käännöksen. Tämä koodi käyttää scikit-learn-kirjastoa hermoverkon luomiseen ja kouluttamiseen, ja tallentaa mallin joblib-kirjaston avulla.
python
Kopioi koodi
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import numpy as np
import joblib
# Luo datat setti
X = np.array([[0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 1],
[0, 0, 0, 0, 0, 0, 1, 0],
[0, 0, 0, 0, 0, 0, 1, 1],
# Lisää kaikki mahdolliset 8-bitin yhdistelmät
[1, 1, 1, 1, 1, 1, 1, 0],
[1, 1, 1, 1, 1, 1, 1, 1]])
y = 1 - X # Vastakkainen tila
# Jaa data koulutus ja testijoukkoon
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Luo ja kouluta MLPClassifier
model = MLPClassifier(hidden_layer_sizes=(16,), max_iter=500, random_state=42)
model.fit(X_train, y_train)
# Testaa malli
y_pred = model.predict(X_test)
print(f'Accuracy: {accuracy_score(y_test, y_pred)}')
# Tallenna malli
joblib.dump(model, 'neural_network_model.pkl')
Tämä koodi:
Luo datasetin, jossa kaikki mahdolliset 8-bitin sisääntulot ovat mukana ja vastakkaiset ulostulot.
Jaa datasetin koulutus- ja testijoukkoon.
Luo ja kouluttaa yksinkertaisen MLPClassifier-verkkoarkkitehtuurin.
Testaa mallin tarkkuuden.
Tallentaa koulutetun mallin tiedostoon.
Päivitetty Tkinter-sovellus
Toinen osa käyttää koulutettua hermoverkkoa tilojen kääntämiseen.
python
Kopioi koodi
import tkinter as tk
import numpy as np
import joblib
class IOApp:
def __init__(self, root):
self.root = root
self.root.title("Input/Output Simulator")
self.model = joblib.load('neural_network_model.pkl')
self.input_buttons = []
self.output_labels = []
# Create input buttons
for i in range(8):
btn = tk.Button(root, text="0", width=10, height=2, bg="red", command=lambda i=i: self.toggle_input(i))
btn.grid(row=0, column=i, padx=5, pady=5)
self.input_buttons.append(btn)
# Create output labels
for i in range(8):
lbl = tk.Label(root, text="1", width=10, height=2, bg="green")
lbl.grid(row=1, column=i, padx=5, pady=5)
self.output_labels.append(lbl)
# Update output to match input initially
self.update_outputs()
def toggle_input(self, index):
btn = self.input_buttons[index]
if btn["text"] == "0":
btn.config(text="1", bg="green")
else:
btn.config(text="0", bg="red")
self.update_outputs()
def update_outputs(self):
# Read input states
input_states = np.array([[int(btn["text"]) for btn in self.input_buttons]])
# Predict output states using the neural network
output_states = self.model.predict(input_states)[0]
# Update output labels based on predictions
for i in range(8):
state = str(output_states[i])
self.output_labels[i].config(text=state, bg="green" if state == "1" else "red")
if __name__ == "__main__":
root = tk.Tk()
app = IOApp(root)
root.mainloop()
Tämä päivitetty Tkinter-sovellus:
Lataa koulutetun hermoverkkomallin tiedostosta.
Käyttää hermoverkkoa ennustamaan ulostulojen tilat käyttäjän syöttämien sisääntulojen perusteella.
Päivittää ulostulot vastaavasti.
Voit suorittaa ensin hermoverkon koulutuskoodin tallentaaksesi mallin tiedostoon. Tämän jälkeen voit käyttää päivitettyä Tkinter-sovellusta, joka käyttää hermoverkkoa kääntämään tilat.
Lisää tähän nuo kaikki 8 bitin yhdistelmät: X = np.array([[0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 1],
[0, 0, 0, 0, 0, 0, 1, 0],
[0, 0, 0, 0, 0, 0, 1, 1],
# Lisää kaikki mahdolliset 8-bitin yhdistelmät
[1, 1, 1, 1, 1, 1, 1, 0],
[1, 1, 1, 1, 1, 1, 1, 1]])
ChatGPT
Tässä on päivitetty hermoverkon koulutuskoodi, joka sisältää kaikki mahdolliset 8-bitin yhdistelmät:
python
Kopioi koodi
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import numpy as np
import joblib
import itertools
# Luo kaikki mahdolliset 8-bitin yhdistelmät
X = np.array(list(itertools.product([0, 1], repeat=8)))
# Luo vastakkaiset ulostulot
y = 1 - X # Vastakkainen tila
# Jaa data koulutus ja testijoukkoon
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Luo ja kouluta MLPClassifier
model = MLPClassifier(hidden_layer_sizes=(16,), max_iter=500, random_state=42)
model.fit(X_train, y_train)
# Testaa malli
y_pred = model.predict(X_test)
print(f'Accuracy: {accuracy_score(y_test, y_pred)}')
# Tallenna malli
joblib.dump(model, 'neural_network_model.pkl')
Tämä koodi:
Luo kaikki mahdolliset 8-bitin yhdistelmät käyttäen itertools.product.
Laskee vastakkaiset ulostulot jokaiselle sisääntulolle.
Kouluttaa MLPClassifierin datalla.
Testaa mallin tarkkuuden.
Tallentaa koulutetun mallin tiedostoon.
Voit suorittaa tämän koodin tallentaaksesi koulutetun mallin, jonka jälkeen voit käyttää alla olevaa päivitettyä Tkinter-sovellusta, joka käyttää hermoverkkoa:
python
Kopioi koodi
import tkinter as tk
import numpy as np
import joblib
class IOApp:
def __init__(self, root):
self.root = root
self.root.title("Input/Output Simulator")
self.model = joblib.load('neural_network_model.pkl')
self.input_buttons = []
self.output_labels = []
# Create input buttons
for i in range(8):
btn = tk.Button(root, text="0", width=10, height=2, bg="red", command=lambda i=i: self.toggle_input(i))
btn.grid(row=0, column=i, padx=5, pady=5)
self.input_buttons.append(btn)
# Create output labels
for i in range(8):
lbl = tk.Label(root, text="1", width=10, height=2, bg="green")
lbl.grid(row=1, column=i, padx=5, pady=5)
self.output_labels.append(lbl)
# Update output to match input initially
self.update_outputs()
def toggle_input(self, index):
btn = self.input_buttons[index]
if btn["text"] == "0":
btn.config(text="1", bg="green")
else:
btn.config(text="0", bg="red")
self.update_outputs()
def update_outputs(self):
# Read input states
input_states = np.array([[int(btn["text"]) for btn in self.input_buttons]])
# Predict output states using the neural network
output_states = self.model.predict(input_states)[0]
# Update output labels based on predictions
for i in range(8):
state = str(output_states[i])
self.output_labels[i].config(text=state, bg="green" if state == "1" else "red")
if __name__ == "__main__":
root = tk.Tk()
app = IOApp(root)
root.mainloop()
Tämä sovellus päivittää ulostulot hermoverkon ennustusten mukaisesti. Voit suorittaa ensin hermoverkon koulutuskoodin ja sen jälkeen Tkinter-sovelluksen.
joblib.dump(model, 'neural_network_model.pkl') ei näytä tallentavan mallia tiedostoksi.
ChatGPT
Voit kokeilla uudelleen tallentaa mallin tiedostoksi ja varmistaa, että mallin tallennus toimii oikein. Tässä on päivitetty versio hermoverkon koulutuskoodista ja lisätään tiedoston tarkistuksen, joka varmistaa, että tiedosto tallentuu oikein.
Hermoverkon koulutuskoodi
python
Kopioi koodi
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import numpy as np
import joblib
import itertools
import os
# Luo kaikki mahdolliset 8-bitin yhdistelmät
X = np.array(list(itertools.product([0, 1], repeat=8)))
# Luo vastakkaiset ulostulot
y = 1 - X # Vastakkainen tila
# Jaa data koulutus ja testijoukkoon
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Luo ja kouluta MLPClassifier
model = MLPClassifier(hidden_layer_sizes=(16,), max_iter=500, random_state=42)
model.fit(X_train, y_train)
# Testaa malli
y_pred = model.predict(X_test)
print(f'Accuracy: {accuracy_score(y_test, y_pred)}')
# Tallenna malli
model_filename = 'neural_network_model.pkl'
joblib.dump(model, model_filename)
# Tarkista, että tiedosto on tallennettu
if os.path.exists(model_filename):
print(f'Model saved successfully as {model_filename}')
else:
print('Failed to save the model')
Päivitetty Tkinter-sovellus
Tämä päivitetty Tkinter-sovellus käyttää hermoverkkoa:
python
Kopioi koodi
import tkinter as tk
import numpy as np
import joblib
class IOApp:
def __init__(self, root):
self.root = root
self.root.title("Input/Output Simulator")
self.model = joblib.load('neural_network_model.pkl')
self.input_buttons = []
self.output_labels = []
# Create input buttons
for i in range(8):
btn = tk.Button(root, text="0", width=10, height=2, bg="red", command=lambda i=i: self.toggle_input(i))
btn.grid(row=0, column=i, padx=5, pady=5)
self.input_buttons.append(btn)
# Create output labels
for i in range(8):
lbl = tk.Label(root, text="1", width=10, height=2, bg="green")
lbl.grid(row=1, column=i, padx=5, pady=5)
self.output_labels.append(lbl)
# Update output to match input initially
self.update_outputs()
def toggle_input(self, index):
btn = self.input_buttons[index]
if btn["text"] == "0":
btn.config(text="1", bg="green")
else:
btn.config(text="0", bg="red")
self.update_outputs()
def update_outputs(self):
# Read input states
input_states = np.array([[int(btn["text"]) for btn in self.input_buttons]])
# Predict output states using the neural network
output_states = self.model.predict(input_states)[0]
# Update output labels based on predictions
for i in range(8):
state = str(output_states[i])
self.output_labels[i].config(text=state, bg="green" if state == "1" else "red")
if __name__ == "__main__":
root = tk.Tk()
app = IOApp(root)
root.mainloop()
Tämä koodi varmistaa, että malli tallennetaan oikein tiedostoksi. Voit tarkistaa, että tiedosto on luotu ja että sitä voidaan käyttää Tkinter-sovelluksessa.
miten polku oikeaan kansioon lisätään tähän koodiin oikein: self.model = joblib.load('E:\python koodit\kokeiluja\neural_network_model.pkl')
ChatGPT
Polun lisääminen tiedoston lataamista varten onnistuu käyttämällä oikeaa polkusyntaksia. Windows-järjestelmässä voit käyttää joko eteenpäin kallistuvia vinoviivoja ("/") tai kaksoisvinoviivoja ("\"). Käytetäänpä tässä eteenpäin kallistuvia vinoviivoja, sillä ne toimivat useimmissa ympäristöissä ilman erillisiä käsittelyjä.
Tässä päivitetty koodi:
python
Kopioi koodi
import tkinter as tk
import numpy as np
import joblib
class IOApp:
def __init__(self, root):
self.root = root
self.root.title("Input/Output Simulator")
# Lataa malli tiedostosta
model_path = 'E:/python koodit/kokeiluja/neural_network_model.pkl'
self.model = joblib.load(model_path)
self.input_buttons = []
self.output_labels = []
# Luo sisääntulopainikkeet
for i in range(8):
btn = tk.Button(root, text="0", width=10, height=2, bg="red", command=lambda i=i: self.toggle_input(i))
btn.grid(row=0, column=i, padx=5, pady=5)
self.input_buttons.append(btn)
# Luo ulostulolabelit
for i in range(8):
lbl = tk.Label(root, text="1", width=10, height=2, bg="green")
lbl.grid(row=1, column=i, padx=5, pady=5)
self.output_labels.append(lbl)
# Päivitä ulostulo vastaamaan sisääntuloja aluksi
self.update_outputs()
def toggle_input(self, index):
btn = self.input_buttons[index]
if btn["text"] == "0":
btn.config(text="1", bg="green")
else:
btn.config(text="0", bg="red")
self.update_outputs()
def update_outputs(self):
# Lue sisääntulon tilat
input_states = np.array([[int(btn["text"]) for btn in self.input_buttons]])
# Ennusta ulostulon tilat hermoverkon avulla
output_states = self.model.predict(input_states)[0]
# Päivitä ulostulolabelit ennustusten perusteella
for i in range(8):
state = str(output_states[i])
self.output_labels[i].config(text=state, bg="green" if state == "1" else "red")
if __name__ == "__main__":
root = tk.Tk()
app = IOApp(root)
root.mainloop()
Varmista, että polku tiedostoon on oikein ja että tiedosto on tallennettu kyseiseen polkuun. Polku voi käyttää joko eteenpäin kallistuvia vinoviivoja ("/") tai kaksinkertaisia taaksepäin kallistuvia vinoviivoja ("\").
Vaihdettiin hermoverkon tallennus muoto
Hermoverkko päivitettiin käyttämään TensorFlow- ja Keras-kirjastoja, ja hermoverkko tallennettiin h5-tiedostona.
Keskustelu asiasta ChatGPT kanssa:
Haluan että nyt tuo koko systeemi toteutetaan niin, että neuroverkko luodaan ja käytetään h5 tiedostona.
ChatGPT
Tässä päivitetty versio, jossa hermoverkko luodaan, koulutetaan ja tallennetaan h5-tiedostona käyttäen TensorFlow- ja Keras-kirjastoja. Tämän jälkeen ladataan ja käytetään mallia Tkinter-sovelluksessa.
Hermoverkon koulutuskoodi
Tämä koodi luo ja kouluttaa hermoverkon sekä tallentaa sen h5-tiedostona.
python
Kopioi koodi
import numpy as np
import itertools
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import load_model
# Luo kaikki mahdolliset 8-bitin yhdistelmät
X = np.array(list(itertools.product([0, 1], repeat=8)))
# Luo vastakkaiset ulostulot
y = 1 - X # Vastakkainen tila
# Luo hermoverkkomalli
model = Sequential([
Dense(16, input_dim=8, activation='relu'),
Dense(8, activation='sigmoid')
])
# Käännä malli
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
# Kouluta malli
model.fit(X, y, epochs=100, batch_size=8, verbose=1)
# Tallenna malli
model.save('neural_network_model.h5')
print('Model saved as neural_network_model.h5')
Päivitetty Tkinter-sovellus
Tämä koodi lataa tallennetun h5-mallin ja käyttää sitä Tkinter-sovelluksessa:
python
Kopioi koodi
import tkinter as tk
import numpy as np
from tensorflow.keras.models import load_model
class IOApp:
def __init__(self, root):
self.root = root
self.root.title("Input/Output Simulator")
# Lataa malli tiedostosta
model_path = 'E:/python koodit/kokeiluja/neural_network_model.h5'
self.model = load_model(model_path)
self.input_buttons = []
self.output_labels = []
# Luo sisääntulopainikkeet
for i in range(8):
btn = tk.Button(root, text="0", width=10, height=2, bg="red", command=lambda i=i: self.toggle_input(i))
btn.grid(row=0, column=i, padx=5, pady=5)
self.input_buttons.append(btn)
# Luo ulostulolabelit
for i in range(8):
lbl = tk.Label(root, text="1", width=10, height=2, bg="green")
lbl.grid(row=1, column=i, padx=5, pady=5)
self.output_labels.append(lbl)
# Päivitä ulostulo vastaamaan sisääntuloja aluksi
self.update_outputs()
def toggle_input(self, index):
btn = self.input_buttons[index]
if btn["text"] == "0":
btn.config(text="1", bg="green")
else:
btn.config(text="0", bg="red")
self.update_outputs()
def update_outputs(self):
# Lue sisääntulon tilat
input_states = np.array([[int(btn["text"]) for btn in self.input_buttons]])
# Ennusta ulostulon tilat hermoverkon avulla
output_states = self.model.predict(input_states)[0]
output_states = (output_states > 0.5).astype(int) # Muuta binääriseksi
# Päivitä ulostulolabelit ennustusten perusteella
for i in range(8):
state = str(output_states[i])
self.output_labels[i].config(text=state, bg="green" if state == "1" else "red")
if __name__ == "__main__":
root = tk.Tk()
app = IOApp(root)
root.mainloop()
Huomioita
Varmista, että sinulla on TensorFlow ja Keras asennettuna: pip install tensorflow.
Koulutuskoodissa käytetty hermoverkkomalli tallennetaan tiedostoon nimeltä neural_network_model.h5.
Tkinter-sovelluksessa ladataan h5-malli ja käytetään sitä sisääntulojen tilojen ennustamiseen. Muista asettaa oikea polku tiedostoon model_path-muuttujassa.
Käyttöliittymän muokkaus
Muutettiin Tkinter-käyttöliittymä siten, että sisääntulot ovat pystysuunnassa vasemmalla ja ulostulot oikealla.
Keskustelu asiasta ChatGPT kanssa:
Haluan vielä, että käyttöliittymä tulee pystysuoraan ei vaakasuoraan kuten nyt. Niin, että inputit on vasemmalla puolella ja ulostulot oikealla puolella.
ChatGPT
Tässä on päivitetty Tkinter-sovellus, jossa käyttöliittymä on pystysuunnassa. Inputit ovat vasemmalla puolella ja ulostulot oikealla puolella:
python
Kopioi koodi
import tkinter as tk
import numpy as np
from tensorflow.keras.models import load_model
class IOApp:
def __init__(self, root):
self.root = root
self.root.title("Input/Output Simulator")
# Lataa malli tiedostosta
model_path = 'E:/python koodit/kokeiluja/neural_network_model.h5'
self.model = load_model(model_path)
self.input_buttons = []
self.output_labels = []
# Luo sisääntulopainikkeet
for i in range(8):
btn = tk.Button(root, text="0", width=10, height=2, bg="red", command=lambda i=i: self.toggle_input(i))
btn.grid(row=i, column=0, padx=5, pady=5)
self.input_buttons.append(btn)
# Luo ulostulolabelit
for i in range(8):
lbl = tk.Label(root, text="1", width=10, height=2, bg="green")
lbl.grid(row=i, column=1, padx=5, pady=5)
self.output_labels.append(lbl)
# Päivitä ulostulo vastaamaan sisääntuloja aluksi
self.update_outputs()
def toggle_input(self, index):
btn = self.input_buttons[index]
if btn["text"] == "0":
btn.config(text="1", bg="green")
else:
btn.config(text="0", bg="red")
self.update_outputs()
def update_outputs(self):
# Lue sisääntulon tilat
input_states = np.array([[int(btn["text"]) for btn in self.input_buttons]])
# Ennusta ulostulon tilat hermoverkon avulla
output_states = self.model.predict(input_states)[0]
output_states = (output_states > 0.5).astype(int) # Muuta binääriseksi
# Päivitä ulostulolabelit ennustusten perusteella
for i in range(8):
state = str(output_states[i])
self.output_labels[i].config(text=state, bg="green" if state == "1" else "red")
if __name__ == "__main__":
root = tk.Tk()
app = IOApp(root)
root.mainloop()
Muutokset
Muutimme ruudukkoasettelun siten, että sisääntulot ovat vasemmalla (column=0) ja ulostulot oikealla (column=1).
Jokainen sisääntulo ja ulostulo on omalla rivillään (row=i).
Nyt, kun ajat tämän koodin, käyttöliittymä tulee pystysuoraan siten, että input-painikkeet ovat vasemmalla ja output-labelit oikealla.
Ja lopuksi koko keskustelu Open AI Chat GPT kanssa
Tee pythonkoodi jossa on 8 sisääntuloa ja ulostulona on myös 8 ulostuloa. Ja jossa sisääntulojen tilaa voi vaihdella klikkaamalla niitä jolloin väri vaihtuu punaisesta vihreään ja toista päin. Vihreä on 1 tila ja punainen on 0 tila. Sama sitten ulostulo puolelle. Tuo ulostulo matkii sisääntulojen tilaa. Tee tuolle myös graafinen käyttöliittymä.
ChatGPT
Tässä on Python-koodi, joka käyttää Tkinter-kirjastoa graafisen käyttöliittymän luomiseen. Tämä sovellus sisältää 8 sisääntuloa ja 8 ulostuloa, joissa voit muuttaa tilaa klikkaamalla painikkeita, ja ulostulot peilaavat sisääntulojen tilaa.
python
Kopioi koodi
import tkinter as tk
class IOApp:
def __init__(self, root):
self.root = root
self.root.title("Input/Output Simulator")
self.input_buttons = []
self.output_labels = []
# Create input buttons
for i in range(8):
btn = tk.Button(root, text="0", width=10, height=2, bg="red", command=lambda i=i: self.toggle_input(i))
btn.grid(row=0, column=i, padx=5, pady=5)
self.input_buttons.append(btn)
# Create output labels
for i in range(8):
lbl = tk.Label(root, text="0", width=10, height=2, bg="red")
lbl.grid(row=1, column=i, padx=5, pady=5)
self.output_labels.append(lbl)
# Update output to match input initially
self.update_outputs()
def toggle_input(self, index):
btn = self.input_buttons[index]
if btn["text"] == "0":
btn.config(text="1", bg="green")
else:
btn.config(text="0", bg="red")
self.update_outputs()
def update_outputs(self):
for i in range(8):
state = self.input_buttons[i]["text"]
self.output_labels[i].config(text=state, bg="green" if state == "1" else "red")
if __name__ == "__main__":
root = tk.Tk()
app = IOApp(root)
root.mainloop()
Selitykset:
IOApp-luokka sisältää sovelluksen logiikan.
__init__-metodi luo 8 sisääntuloa (painiketta) ja 8 ulostuloa (labelia), jotka asetetaan ruudukkoon.
toggle_input-metodi vaihtaa painikkeen tilaa klikkaamalla ja päivittää sen värin ja tekstin.
update_outputs-metodi päivittää ulostulojen tilan vastaamaan sisääntulojen tilaa.
Voit suorittaa tämän koodin Python-ympäristössä, jossa on Tkinter asennettuna, ja se avaa graafisen käyttöliittymän, jossa voit klikkailla painikkeita ja nähdä muutokset reaaliajassa.
Nyt muuta tuo ulostulo että se on vastakkainen sisääntulon tilaan nähden.
ChatGPT
Tässä on muokattu Python-koodi, jossa ulostulojen tila on vastakkainen sisääntulojen tilaan nähden:
python
Kopioi koodi
import tkinter as tk
class IOApp:
def __init__(self, root):
self.root = root
self.root.title("Input/Output Simulator")
self.input_buttons = []
self.output_labels = []
# Create input buttons
for i in range(8):
btn = tk.Button(root, text="0", width=10, height=2, bg="red", command=lambda i=i: self.toggle_input(i))
btn.grid(row=0, column=i, padx=5, pady=5)
self.input_buttons.append(btn)
# Create output labels
for i in range(8):
lbl = tk.Label(root, text="1", width=10, height=2, bg="green")
lbl.grid(row=1, column=i, padx=5, pady=5)
self.output_labels.append(lbl)
# Update output to match input initially
self.update_outputs()
def toggle_input(self, index):
btn = self.input_buttons[index]
if btn["text"] == "0":
btn.config(text="1", bg="green")
else:
btn.config(text="0", bg="red")
self.update_outputs()
def update_outputs(self):
for i in range(8):
state = self.input_buttons[i]["text"]
opposite_state = "0" if state == "1" else "1"
self.output_labels[i].config(text=opposite_state, bg="green" if opposite_state == "1" else "red")
if __name__ == "__main__":
root = tk.Tk()
app = IOApp(root)
root.mainloop()
Selitykset:
update_outputs-metodi päivittää ulostulojen tilan vastakkaiseksi sisääntulojen tilaan nähden.
Jos sisääntulon tila on "1" (vihreä), ulostulon tila on "0" (punainen), ja päinvastoin.
Nyt haluan tuohon outputin ja inputin väliin hermoverkon joka koulutetaan kääntämään nuo ulostulot vastakkaiseksi tuloksi. Eli muuta lisää koodiin hermoverkko tulkitsemaan sisääntulojen tilaa ja säätämään sitten ulostulot oikein. Sen lisäksi tee erikseen hermoverkon koulutuskoodi hermoverkkoa varten, joka osaa kääntää nuo tulot oikein halutulla tavalla. Joka tallentaa tuon hermoverkkokoodin. Jonka voin sitten liittää tuohon koodiin joka käyttää nyt hermoverkkoa kääntämään tilat vastakkaiseksi.
ChatGPT
Jotta voimme toteuttaa tämän tehtävän, tarvitsemme kaksi osaa:
Hermoverkon koulutuskoodin, joka osaa kääntää sisääntulot vastakkaisiksi ulostuloiksi.
Päivitetyn Tkinter-sovelluksen, joka käyttää koulutettua hermoverkkoa.
Hermoverkon koulutuskoodi
Ensimmäinen osa koodista kouluttaa hermoverkon suorittamaan halutun käännöksen. Tämä koodi käyttää scikit-learn-kirjastoa hermoverkon luomiseen ja kouluttamiseen, ja tallentaa mallin joblib-kirjaston avulla.
python
Kopioi koodi
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import numpy as np
import joblib
# Luo datat setti
X = np.array([[0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 1],
[0, 0, 0, 0, 0, 0, 1, 0],
[0, 0, 0, 0, 0, 0, 1, 1],
# Lisää kaikki mahdolliset 8-bitin yhdistelmät
[1, 1, 1, 1, 1, 1, 1, 0],
[1, 1, 1, 1, 1, 1, 1, 1]])
y = 1 - X # Vastakkainen tila
# Jaa data koulutus ja testijoukkoon
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Luo ja kouluta MLPClassifier
model = MLPClassifier(hidden_layer_sizes=(16,), max_iter=500, random_state=42)
model.fit(X_train, y_train)
# Testaa malli
y_pred = model.predict(X_test)
print(f'Accuracy: {accuracy_score(y_test, y_pred)}')
# Tallenna malli
joblib.dump(model, 'neural_network_model.pkl')
Tämä koodi:
Luo datasetin, jossa kaikki mahdolliset 8-bitin sisääntulot ovat mukana ja vastakkaiset ulostulot.
Jaa datasetin koulutus- ja testijoukkoon.
Luo ja kouluttaa yksinkertaisen MLPClassifier-verkkoarkkitehtuurin.
Testaa mallin tarkkuuden.
Tallentaa koulutetun mallin tiedostoon.
Päivitetty Tkinter-sovellus
Toinen osa käyttää koulutettua hermoverkkoa tilojen kääntämiseen.
python
Kopioi koodi
import tkinter as tk
import numpy as np
import joblib
class IOApp:
def __init__(self, root):
self.root = root
self.root.title("Input/Output Simulator")
self.model = joblib.load('neural_network_model.pkl')
self.input_buttons = []
self.output_labels = []
# Create input buttons
for i in range(8):
btn = tk.Button(root, text="0", width=10, height=2, bg="red", command=lambda i=i: self.toggle_input(i))
btn.grid(row=0, column=i, padx=5, pady=5)
self.input_buttons.append(btn)
# Create output labels
for i in range(8):
lbl = tk.Label(root, text="1", width=10, height=2, bg="green")
lbl.grid(row=1, column=i, padx=5, pady=5)
self.output_labels.append(lbl)
# Update output to match input initially
self.update_outputs()
def toggle_input(self, index):
btn = self.input_buttons[index]
if btn["text"] == "0":
btn.config(text="1", bg="green")
else:
btn.config(text="0", bg="red")
self.update_outputs()
def update_outputs(self):
# Read input states
input_states = np.array([[int(btn["text"]) for btn in self.input_buttons]])
# Predict output states using the neural network
output_states = self.model.predict(input_states)[0]
# Update output labels based on predictions
for i in range(8):
state = str(output_states[i])
self.output_labels[i].config(text=state, bg="green" if state == "1" else "red")
if __name__ == "__main__":
root = tk.Tk()
app = IOApp(root)
root.mainloop()
Tämä päivitetty Tkinter-sovellus:
Lataa koulutetun hermoverkkomallin tiedostosta.
Käyttää hermoverkkoa ennustamaan ulostulojen tilat käyttäjän syöttämien sisääntulojen perusteella.
Päivittää ulostulot vastaavasti.
Voit suorittaa ensin hermoverkon koulutuskoodin tallentaaksesi mallin tiedostoon. Tämän jälkeen voit käyttää päivitettyä Tkinter-sovellusta, joka käyttää hermoverkkoa kääntämään tilat.
Lisää tähän nuo kaikki 8 bitin yhdistelmät: X = np.array([[0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 1],
[0, 0, 0, 0, 0, 0, 1, 0],
[0, 0, 0, 0, 0, 0, 1, 1],
# Lisää kaikki mahdolliset 8-bitin yhdistelmät
[1, 1, 1, 1, 1, 1, 1, 0],
[1, 1, 1, 1, 1, 1, 1, 1]])
ChatGPT
Tässä on päivitetty hermoverkon koulutuskoodi, joka sisältää kaikki mahdolliset 8-bitin yhdistelmät:
python
Kopioi koodi
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import numpy as np
import joblib
import itertools
# Luo kaikki mahdolliset 8-bitin yhdistelmät
X = np.array(list(itertools.product([0, 1], repeat=8)))
# Luo vastakkaiset ulostulot
y = 1 - X # Vastakkainen tila
# Jaa data koulutus ja testijoukkoon
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Luo ja kouluta MLPClassifier
model = MLPClassifier(hidden_layer_sizes=(16,), max_iter=500, random_state=42)
model.fit(X_train, y_train)
# Testaa malli
y_pred = model.predict(X_test)
print(f'Accuracy: {accuracy_score(y_test, y_pred)}')
# Tallenna malli
joblib.dump(model, 'neural_network_model.pkl')
Tämä koodi:
Luo kaikki mahdolliset 8-bitin yhdistelmät käyttäen itertools.product.
Laskee vastakkaiset ulostulot jokaiselle sisääntulolle.
Kouluttaa MLPClassifierin datalla.
Testaa mallin tarkkuuden.
Tallentaa koulutetun mallin tiedostoon.
Voit suorittaa tämän koodin tallentaaksesi koulutetun mallin, jonka jälkeen voit käyttää alla olevaa päivitettyä Tkinter-sovellusta, joka käyttää hermoverkkoa:
python
Kopioi koodi
import tkinter as tk
import numpy as np
import joblib
class IOApp:
def __init__(self, root):
self.root = root
self.root.title("Input/Output Simulator")
self.model = joblib.load('neural_network_model.pkl')
self.input_buttons = []
self.output_labels = []
# Create input buttons
for i in range(8):
btn = tk.Button(root, text="0", width=10, height=2, bg="red", command=lambda i=i: self.toggle_input(i))
btn.grid(row=0, column=i, padx=5, pady=5)
self.input_buttons.append(btn)
# Create output labels
for i in range(8):
lbl = tk.Label(root, text="1", width=10, height=2, bg="green")
lbl.grid(row=1, column=i, padx=5, pady=5)
self.output_labels.append(lbl)
# Update output to match input initially
self.update_outputs()
def toggle_input(self, index):
btn = self.input_buttons[index]
if btn["text"] == "0":
btn.config(text="1", bg="green")
else:
btn.config(text="0", bg="red")
self.update_outputs()
def update_outputs(self):
# Read input states
input_states = np.array([[int(btn["text"]) for btn in self.input_buttons]])
# Predict output states using the neural network
output_states = self.model.predict(input_states)[0]
# Update output labels based on predictions
for i in range(8):
state = str(output_states[i])
self.output_labels[i].config(text=state, bg="green" if state == "1" else "red")
if __name__ == "__main__":
root = tk.Tk()
app = IOApp(root)
root.mainloop()
Tämä sovellus päivittää ulostulot hermoverkon ennustusten mukaisesti. Voit suorittaa ensin hermoverkon koulutuskoodin ja sen jälkeen Tkinter-sovelluksen.
joblib.dump(model, 'neural_network_model.pkl') ei näytä tallentavan mallia tiedostoksi.
ChatGPT
Voit kokeilla uudelleen tallentaa mallin tiedostoksi ja varmistaa, että mallin tallennus toimii oikein. Tässä on päivitetty versio hermoverkon koulutuskoodista ja lisätään tiedoston tarkistuksen, joka varmistaa, että tiedosto tallentuu oikein.
Hermoverkon koulutuskoodi
python
Kopioi koodi
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import numpy as np
import joblib
import itertools
import os
# Luo kaikki mahdolliset 8-bitin yhdistelmät
X = np.array(list(itertools.product([0, 1], repeat=8)))
# Luo vastakkaiset ulostulot
y = 1 - X # Vastakkainen tila
# Jaa data koulutus ja testijoukkoon
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Luo ja kouluta MLPClassifier
model = MLPClassifier(hidden_layer_sizes=(16,), max_iter=500, random_state=42)
model.fit(X_train, y_train)
# Testaa malli
y_pred = model.predict(X_test)
print(f'Accuracy: {accuracy_score(y_test, y_pred)}')
# Tallenna malli
model_filename = 'neural_network_model.pkl'
joblib.dump(model, model_filename)
# Tarkista, että tiedosto on tallennettu
if os.path.exists(model_filename):
print(f'Model saved successfully as {model_filename}')
else:
print('Failed to save the model')
Päivitetty Tkinter-sovellus
Tämä päivitetty Tkinter-sovellus käyttää hermoverkkoa:
python
Kopioi koodi
import tkinter as tk
import numpy as np
import joblib
class IOApp:
def __init__(self, root):
self.root = root
self.root.title("Input/Output Simulator")
self.model = joblib.load('neural_network_model.pkl')
self.input_buttons = []
self.output_labels = []
# Create input buttons
for i in range(8):
btn = tk.Button(root, text="0", width=10, height=2, bg="red", command=lambda i=i: self.toggle_input(i))
btn.grid(row=0, column=i, padx=5, pady=5)
self.input_buttons.append(btn)
# Create output labels
for i in range(8):
lbl = tk.Label(root, text="1", width=10, height=2, bg="green")
lbl.grid(row=1, column=i, padx=5, pady=5)
self.output_labels.append(lbl)
# Update output to match input initially
self.update_outputs()
def toggle_input(self, index):
btn = self.input_buttons[index]
if btn["text"] == "0":
btn.config(text="1", bg="green")
else:
btn.config(text="0", bg="red")
self.update_outputs()
def update_outputs(self):
# Read input states
input_states = np.array([[int(btn["text"]) for btn in self.input_buttons]])
# Predict output states using the neural network
output_states = self.model.predict(input_states)[0]
# Update output labels based on predictions
for i in range(8):
state = str(output_states[i])
self.output_labels[i].config(text=state, bg="green" if state == "1" else "red")
if __name__ == "__main__":
root = tk.Tk()
app = IOApp(root)
root.mainloop()
Tämä koodi varmistaa, että malli tallennetaan oikein tiedostoksi. Voit tarkistaa, että tiedosto on luotu ja että sitä voidaan käyttää Tkinter-sovelluksessa.
miten polku oikeaan kansioon lisätään tähän koodiin oikein: self.model = joblib.load('E:\python koodit\kokeiluja\neural_network_model.pkl')
ChatGPT
Polun lisääminen tiedoston lataamista varten onnistuu käyttämällä oikeaa polkusyntaksia. Windows-järjestelmässä voit käyttää joko eteenpäin kallistuvia vinoviivoja ("/") tai kaksoisvinoviivoja ("\"). Käytetäänpä tässä eteenpäin kallistuvia vinoviivoja, sillä ne toimivat useimmissa ympäristöissä ilman erillisiä käsittelyjä.
Tässä päivitetty koodi:
python
Kopioi koodi
import tkinter as tk
import numpy as np
import joblib
class IOApp:
def __init__(self, root):
self.root = root
self.root.title("Input/Output Simulator")
# Lataa malli tiedostosta
model_path = 'E:/python koodit/kokeiluja/neural_network_model.pkl'
self.model = joblib.load(model_path)
self.input_buttons = []
self.output_labels = []
# Luo sisääntulopainikkeet
for i in range(8):
btn = tk.Button(root, text="0", width=10, height=2, bg="red", command=lambda i=i: self.toggle_input(i))
btn.grid(row=0, column=i, padx=5, pady=5)
self.input_buttons.append(btn)
# Luo ulostulolabelit
for i in range(8):
lbl = tk.Label(root, text="1", width=10, height=2, bg="green")
lbl.grid(row=1, column=i, padx=5, pady=5)
self.output_labels.append(lbl)
# Päivitä ulostulo vastaamaan sisääntuloja aluksi
self.update_outputs()
def toggle_input(self, index):
btn = self.input_buttons[index]
if btn["text"] == "0":
btn.config(text="1", bg="green")
else:
btn.config(text="0", bg="red")
self.update_outputs()
def update_outputs(self):
# Lue sisääntulon tilat
input_states = np.array([[int(btn["text"]) for btn in self.input_buttons]])
# Ennusta ulostulon tilat hermoverkon avulla
output_states = self.model.predict(input_states)[0]
# Päivitä ulostulolabelit ennustusten perusteella
for i in range(8):
state = str(output_states[i])
self.output_labels[i].config(text=state, bg="green" if state == "1" else "red")
if __name__ == "__main__":
root = tk.Tk()
app = IOApp(root)
root.mainloop()
Varmista, että polku tiedostoon on oikein ja että tiedosto on tallennettu kyseiseen polkuun. Polku voi käyttää joko eteenpäin kallistuvia vinoviivoja ("/") tai kaksinkertaisia taaksepäin kallistuvia vinoviivoja ("\").
Haluan että nyt tuo koko systeemi toteutetaan niin, että neuroverkko luodaan ja käytetään h5 tiedostona.
ChatGPT
Tässä päivitetty versio, jossa hermoverkko luodaan, koulutetaan ja tallennetaan h5-tiedostona käyttäen TensorFlow- ja Keras-kirjastoja. Tämän jälkeen ladataan ja käytetään mallia Tkinter-sovelluksessa.
Hermoverkon koulutuskoodi
Tämä koodi luo ja kouluttaa hermoverkon sekä tallentaa sen h5-tiedostona.
python
Kopioi koodi
import numpy as np
import itertools
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import load_model
# Luo kaikki mahdolliset 8-bitin yhdistelmät
X = np.array(list(itertools.product([0, 1], repeat=8)))
# Luo vastakkaiset ulostulot
y = 1 - X # Vastakkainen tila
# Luo hermoverkkomalli
model = Sequential([
Dense(16, input_dim=8, activation='relu'),
Dense(8, activation='sigmoid')
])
# Käännä malli
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
# Kouluta malli
model.fit(X, y, epochs=100, batch_size=8, verbose=1)
# Tallenna malli
model.save('neural_network_model.h5')
print('Model saved as neural_network_model.h5')
Päivitetty Tkinter-sovellus
Tämä koodi lataa tallennetun h5-mallin ja käyttää sitä Tkinter-sovelluksessa:
python
Kopioi koodi
import tkinter as tk
import numpy as np
from tensorflow.keras.models import load_model
class IOApp:
def __init__(self, root):
self.root = root
self.root.title("Input/Output Simulator")
# Lataa malli tiedostosta
model_path = 'E:/python koodit/kokeiluja/neural_network_model.h5'
self.model = load_model(model_path)
self.input_buttons = []
self.output_labels = []
# Luo sisääntulopainikkeet
for i in range(8):
btn = tk.Button(root, text="0", width=10, height=2, bg="red", command=lambda i=i: self.toggle_input(i))
btn.grid(row=0, column=i, padx=5, pady=5)
self.input_buttons.append(btn)
# Luo ulostulolabelit
for i in range(8):
lbl = tk.Label(root, text="1", width=10, height=2, bg="green")
lbl.grid(row=1, column=i, padx=5, pady=5)
self.output_labels.append(lbl)
# Päivitä ulostulo vastaamaan sisääntuloja aluksi
self.update_outputs()
def toggle_input(self, index):
btn = self.input_buttons[index]
if btn["text"] == "0":
btn.config(text="1", bg="green")
else:
btn.config(text="0", bg="red")
self.update_outputs()
def update_outputs(self):
# Lue sisääntulon tilat
input_states = np.array([[int(btn["text"]) for btn in self.input_buttons]])
# Ennusta ulostulon tilat hermoverkon avulla
output_states = self.model.predict(input_states)[0]
output_states = (output_states > 0.5).astype(int) # Muuta binääriseksi
# Päivitä ulostulolabelit ennustusten perusteella
for i in range(8):
state = str(output_states[i])
self.output_labels[i].config(text=state, bg="green" if state == "1" else "red")
if __name__ == "__main__":
root = tk.Tk()
app = IOApp(root)
root.mainloop()
Huomioita
Varmista, että sinulla on TensorFlow ja Keras asennettuna: pip install tensorflow.
Koulutuskoodissa käytetty hermoverkkomalli tallennetaan tiedostoon nimeltä neural_network_model.h5.
Tkinter-sovelluksessa ladataan h5-malli ja käytetään sitä sisääntulojen tilojen ennustamiseen. Muista asettaa oikea polku tiedostoon model_path-muuttujassa.
Haluan vielä, että käyttöliittymä tulee pystysuoraan ei vaakasuoraan kuten nyt. Niin, että inputit on vasemmalla puolella ja ulostulot oikealla puolella.
ChatGPT
Tässä on päivitetty Tkinter-sovellus, jossa käyttöliittymä on pystysuunnassa. Inputit ovat vasemmalla puolella ja ulostulot oikealla puolella:
python
Kopioi koodi
import tkinter as tk
import numpy as np
from tensorflow.keras.models import load_model
class IOApp:
def __init__(self, root):
self.root = root
self.root.title("Input/Output Simulator")
# Lataa malli tiedostosta
model_path = 'E:/python koodit/kokeiluja/neural_network_model.h5'
self.model = load_model(model_path)
self.input_buttons = []
self.output_labels = []
# Luo sisääntulopainikkeet
for i in range(8):
btn = tk.Button(root, text="0", width=10, height=2, bg="red", command=lambda i=i: self.toggle_input(i))
btn.grid(row=i, column=0, padx=5, pady=5)
self.input_buttons.append(btn)
# Luo ulostulolabelit
for i in range(8):
lbl = tk.Label(root, text="1", width=10, height=2, bg="green")
lbl.grid(row=i, column=1, padx=5, pady=5)
self.output_labels.append(lbl)
# Päivitä ulostulo vastaamaan sisääntuloja aluksi
self.update_outputs()
def toggle_input(self, index):
btn = self.input_buttons[index]
if btn["text"] == "0":
btn.config(text="1", bg="green")
else:
btn.config(text="0", bg="red")
self.update_outputs()
def update_outputs(self):
# Lue sisääntulon tilat
input_states = np.array([[int(btn["text"]) for btn in self.input_buttons]])
# Ennusta ulostulon tilat hermoverkon avulla
output_states = self.model.predict(input_states)[0]
output_states = (output_states > 0.5).astype(int) # Muuta binääriseksi
# Päivitä ulostulolabelit ennustusten perusteella
for i in range(8):
state = str(output_states[i])
self.output_labels[i].config(text=state, bg="green" if state == "1" else "red")
if __name__ == "__main__":
root = tk.Tk()
app = IOApp(root)
root.mainloop()
Muutokset
Muutimme ruudukkoasettelun siten, että sisääntulot ovat vasemmalla (column=0) ja ulostulot oikealla (column=1).
Jokainen sisääntulo ja ulostulo on omalla rivillään (row=i).
Nyt, kun ajat tämän koodin, käyttöliittymä tulee pystysuoraan siten, että input-painikkeet ovat vasemmalla ja output-labelit oikealla.
Lopputulos
Tämän keskustelun avulla toteutettiin toimiva järjestelmä Python-koodilla tekoälyn avulla. Jossa hermoverkko voidaan kouluttaa kääntämään sisääntulot vastakkaiseksi ja päivittää ulostulot tämän jälkeen.
Aikaa tähän meni noin puolituntia. Ilman tekoälyä tämä projekti olisi voinut kestää useita tunteja ehkä jopa pari viikkoa.
Sivun tekemisessä on käytetty tekoälyä apuna.
Copyright <> jyrki.k(at)innopultti.fi<> Päivitetty: 2.9.2024