Train()
THE DELTA RULES ARE UNCHANGED and are worth restating because they are a choice, not a detail: softmax + categorical cross-entropy -> delta = a - y, loss = -sum y*log(a) sigmoid + binary cross-entropy -> delta = a - y, loss REPORTED as squared error anything else -> the squared-error derivative
Exemples de base (1)
aX = [ [0,0], [0,1], [1,0], [1,1] ]
aY = [ [0], [1], [1], [0] ]
oN = new stzNeuralNetwork([ :Inputs = 2 ])
oN.AddDenseLayer(4, :Tanh)
oN.AddDenseLayer(1, :Sigmoid)
oT = new stzTrainer()
oT.SetLearningRate(0.5)
oT.Train(oN, aX, aY, 2000)
# 00 -> 0
? oN.Predict([0,0])[1] < 0.5
# 01 -> 1
? oN.Predict([0,1])[1] > 0.5
# 10 -> 1
? oN.Predict([1,0])[1] > 0.5
# 11 -> 0
? oN.Predict([1,1])[1] < 0.5
# the loss went down
? oT.FinalLoss() < oT.LossHistory()[1]
# ...essentially to zero
? oT.FinalLoss() < 0.001
# one loss per epoch was recorded
? len(oT.LossHistory())
# Why() still narrates
? StzFindFirst("trained 2000 epoch", oT.Why()) > 01 1 1 1 1 1 2000 1
exécuté le 2026-10-02 04:23 dans la bibliothèque au commit 0e72e2e2c ; tiré de numeric_backprop_narrated.ring(s'ouvre dans un nouvel onglet)
Les extensions de cette méthode
Chaque extension, et si elle existe pour cette méthode ; une extension qui existe se compose avec les autres (FindSTCS).
Chaque exemple est un fichier de test de la bibliothèque, exécuté dans la bibliothèque pour cette page ; seuls ceux dont la sortie a tenu toutes les promesses écrites par leur fichier sont montrés. Les explications, les titres et le code sont ceux de la bibliothèque, en anglais.

