Подготовка данных

Для начала создадим некоторые простые обучающие данные, которые будут представлять собой линейную функцию с добавлением некоторого шума.

const NUM_TRAINING_POINTS = 100;
const TRAINING_DATA = [];

for (let i = 0; i < NUM_TRAINING_POINTS; ++i) {
  const x = i / NUM_TRAINING_POINTS;
  const y = x + Math.random() * 0.2 - 0.1; // добавляем шум от -0.1 до +0.1
  TRAINING_DATA.push([x, y]);
}

console.log("Training Data: ", TRAINING_DATA);

Реализация функции активации ReLU

Реализуем функцию активации ReLU, которая возвращает максимальное значение между нулём и переданным ей аргументом.

function relu(x) {
  return Math.max(0, x);
}

Архитектура нейронной сети

Создадим архитектуру нейронной сети с одним скрытым слоем. У нас есть входные данные, которые представляют собой вектор [x], промежуточный слой с весами w1, который преобразует вход в скрытое состояние, и выходной слой с весом w2, который преобразует скрытое состояние в результат.

class NeuralNetwork {
  constructor(nInputs, nHiddenNodes, nOutputs) {
    this.nInputs = nInputs;
    this.nHiddenNodes = nHiddenNodes;
    this.nOutputs = nOutputs;

    this.initializeWeights();
  }

  initializeWeights() {
    this.weights1 = Array.from({ length: this.nHiddenNodes }, () => Math.random());
    this.weights2 = Array.from({ length: this.nOutputs }, () => Math.random());
  }

  predict(input) {
    const hiddenState = this.weights1.map((weight, index) => weight * input[index]).reduce((sum, val) => sum + relu(val), 0);
    const output = this.weights2.map((weight, index) => weight * hiddenState).reduce((sum, val) => sum + val, 0);
    return output;
  }

  train(trainingData, numEpochs, learningRate) {
    for (let epoch = 0; epoch < numEpochs; ++epoch) {
      trainingData.forEach(([input, desiredOutput]) => {
        const predictedOutput = this.predict(input);
        const error = desiredOutput - predictedOutput;
        this.updateWeights(input, error, learningRate);
      });
    }
  }

  updateWeights(input, error, learningRate) {
    const hiddenState = this.weights1.map((weight, index) => weight * input[index]).reduce((sum, val) => sum + relu(val), 0);
    const dOutputErrorWrtHidden = this.weights2.map((weight, index) => weight * error).reduce((sum, val) => sum + val, 0);

    this.weights1 = this.weights1.map((weight, index) => weight + learningRate * (error * input[index] * (hiddenState > 0 ? 1 : 0)));
    this.weights2 = this.weights2.map((weight, index) => weight + learningRate * dOutputErrorWrtHidden * hiddenState);
  }
}

Тренировка модели

Запустим процесс тренировки модели на наших обучающих данных.

const NETWORK = new NeuralNetwork(1, 10, 1);
NETWORK.train(TRAINING_DATA, 1000, 0.01);

Оценка модели

Теперь проверим модель на тестовых данных, чтобы увидеть её производительность.

const TEST_DATA = [];

for (let i = 0; i < 10; ++i) {
  const x = i / 10;
  const y = x + Math.random() * 0.2 - 0.1;
  TEST_DATA.push([x, y]);
}

TEST_DATA.forEach(([input, expected]) => {
  const actual = NETWORK.predict(input);
  console.log(`Actual Output: ${actual}, Expected Output: ${expected}`);
});

Этот код представляет собой базовую реализацию простой нейронной сети с функцией активации ReLU. Она позволяет обучать модель на данных и оценивать её результаты.

git config --global credential.helper store
Потом
git pull

1.Установить vite-plugin-mkcert пакет.

npm i vite-plugin-mkcert -D

Шаг-2

1. Изменить файл vite.config.js

import { defineConfig } from 'vite'
import react from '@vitejs/plugin-react'
import mkcert from 'vite-plugin-mkcert'

// https://vitejs.dev/config/
export default defineConfig({
  plugins: [react(),mkcert()],
  server:{
    port:3000,
    https: true
  }

})

и запустить через npm run dev

Доказательство:

Таким образом, все-таки можно реализовать простой алгоритм генерации кодов не запоминая списка предыдущих кодов, а помня только номер последнего сгенеренного кода.

Вот тогда будет работающий алгоритм:

• берем большое десятизначное простое число. на наше счастье это будет 9999999997.
• берем любое число < 9999999997. К примеру 5678901234 — тоже десятизначное, чтобы в примере получить сразу приличные коды.
• начинаем генерацию:

1: 1 * 5678901234 = 5678901234 mod 9999999997
2: 2 * 5678901234 = 1357802471 mod 9999999997
3: 3 * 5678901234 = 7036703705 mod 9999999997
4: 4 * 5678901234 = 2715604942 mod 9999999997
5: 5 * 5678901234 = 8394506176 mod 9999999997
6: 6 * 5678901234 = 4073407413 mod 9999999997
7: 7 * 5678901234 = 9752308647 mod 9999999997
8: 8 * 5678901234 = 5431209884 mod 9999999997
9: 9 * 5678901234 = 1110111121 mod 9999999997
10: 10 * 5678901234 = 6789012355 mod 9999999997
11: 11 * 5678901234 = 2467913592 mod 9999999997
12: 12 * 5678901234 = 8146814826 mod 9999999997
13: 13 * 5678901234 = 3825716063 mod 9999999997
14: 14 * 5678901234 = 9504617297 mod 9999999997
...

Итак, будут получаться большие числа. Последнее сгенеренное большое число будет равно (p-1)*a = (9999999997 — 1) * 5678901234 = 56789012317284395064 — 20 цифр, что влезает в UInt64.

Ничего не надо помнить, ничего не надо искать. И главное — есть гарантия от ошибки, поскольку уникальность строго доказана.

Конечно, у этого алгоритма есть недостаток — при помощи него никогда не будут получены коды 0000000000, 9999999997, 9999999998 и 9999999999.

1. Установите Node.js: Убедитесь, что у вас установлен Node.js. Если нет, вы можете загрузить его с официального сайта: https://nodejs.org/

2. Установите Selenium WebDriver: Вы можете установить Selenium WebDriver с помощью npm, выполнив следующую команду:

3. Установите веб-драйвер браузера: Вам также понадобится веб-драйвер для браузера, который вы хотите использовать (например, Chrome или Firefox). Загрузите соответствующий веб-драйвер и укажите путь к нему.

4. Создайте скрипт для парсинга сайта:Вот пример скрипта, который использует Selenium для открытия веб-страницы и извлечения данных:

5. Замените 'https://www.example.com' на URL сайта, который вы хотите спарсить, и 'yourElementSelector' на селектор элемента, который вы хотите извлечь.

6. Запустите скрипт: Выполните скрипт, используя Node.js:

Этот пример демонстрирует основы использования Selenium для парсинга веб-страницы. Вы можете расширить его для выполнения более сложных задач, таких как навигация по нескольким страницам и сбор данных.

Это мой первый (очередной) мини блог. Цель этого блога, задокументировать и сохранить всякие интересные находки в сфере ИТ, какие то разработки и так далее.

Почему такое имя сайта?

Всё пошло от того, что основная моя деятельность была (и пока есть) это SAP разработка, где используется встроенный язык ABAP. Все кастомные объекты в этой системе принято начинать на букву Z или Y. Отсюда и название.

Шло время и мне стали интересны другие технологии, такие как JS во всём его проявлении (react, nodejs...), devops, blockchain и другие.

Дак вот, о чём это я, суть этого блога, это как блокнот. Помню раньше в начале 2000-х, когда работал сначала админом, потом программистом на дельфи у меня были всегда под рукой блокноты, куда я записывал интересную информацию.

В общем вот так.