在本章中,无涯教程将学习使用TensorFlow的XOR实现,在TensorFlow中开始XOR实施之前,看一下XOR表值。这将帮助了解加密和解密过程。
A | B | A XOR B |
0 | 0 | 0 |
0 | 1 | 1 |
1 | 0 | 1 |
1 | 1 | 0 |
XOR密码加密方法基本上用于加密,即通过生成与适当密钥匹配的随机加密密钥。
使用XOR密码实现的概念是定义XOR加密密钥,然后使用此密钥对指定字符串中的字符执行XOR操作进行加密。现在无涯教程将重点介绍使用TensorFlow的XOR实现,这在下面提到-
#声明必要的模块 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") #声明输入 x 的占位符 y = tf.placeholder(tf.float64,shape = [4,1],name = "y") #为所需的输出声明一个占位符 ym = np.shape(x)[0]#number of training examples n = np.shape(x)[1]#number of features hidden_s = 2 #隐藏层中的节点数 l_r = 1#l收益率初始化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)#进行前向传播 a1 = tf.concat([np.c_[np.ones(x.shape[0])],x],1) #第一层的权重乘以第一层的输入z1 = tf.matmul(a1,theta1) #第二层的输入是第一层的输出,通过添加了激活函数和偏差列 a2 = tf.concat([np.c_[np.ones(x.shape[0])],tf.sigmoid(z1)],1) #第二层的输入乘以权重z3 = tf.matmul(a2,theta2) #输出通过激活函数得到最终概率h3 = tf.sigmoid(z3) cost_func = -tf.reduce_sum(y*tf.log(h3)+(1-y)*tf.log(1-h3),axis = 1)#内置于Tensorflow Optimizer,使用指定进行梯度下降learning rate to obtain theta valuesoptimiser = tf.train.GradientDescentOptimizer(learning_rate = l_r).minimize(cost_func)#设置所需的X和Y值以执行XOR操作 X = [[0,0],[0,1],[1,0],[1,1]] Y = [[0],[1],[1],[0]]#初始化所有变量,创建会话并运行TensorFlow会话 init = tf.global_variables_initializer() sess = tf.Session() sess.run(init)#运行梯度下降,用于每次迭代并打印假设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_dictif i%100==0:print("Epoch:",i)print("Hyp:",sess.run(h3,feed_dict = {x:X,y:Y}))
上面的代码行生成输出
TensorFlow - XOR实现 - 无涯教程网无涯教程网提供在本章中,无涯教程将学习使用TensorFlow的XOR 实现,在TensorFlow中开始XOR 实施之前...https://www.learnfk.com/tensorflow/tensorflow-xor-implementation.html