Startseite>Programmierbezogen>AI-Quellcode
Herunterladen

MicroMLP ist ein mehrschichtiges Perzeptron für ein mikrokünstliches neuronales Netzwerk (wird hauptsächlich auf ESP32- und Pycom-Modulen verwendet).

HC²

Sehr einfach zu integrieren und sehr leicht mit nur einer Datei:

  • "microMLP.py"

MicroMLP-Funktionen:

  • Modifizierbare Mehrschicht- und Verbindungsstruktur
  • Integrierter Bias auf Neuronen
  • Plastizität der Verbindungen inklusive
  • Aktivierungsfunktionen nach Schicht
  • Parameter Alpha, Eta und Gain
  • Verwalten einer Reihe von Beispielen und Lernen
  • QLearning-Funktionen zur Nutzung von Reinforcement Learning
  • Speichern und laden Sie die gesamte Struktur in/aus der JSON-Datei
  • Verschiedene Aktivierungsfunktionen:
    • Heaviside-Binärschritt
    • Logistik (Sigmoid oder Soft Step)
    • Hyperbolischer Tangens
    • SoftPlus-Gleichrichter
    • ReLU (gleichgerichtete Lineareinheit)
    • Gaußsche Funktion

Nutzen Sie Deep Learning für:

  • Signalverarbeitung (Sprachverarbeitung, Identifizierung, Filterung)
  • Bildverarbeitung (Komprimierung, Erkennung, Muster)
  • Steuerung (Diagnose, Qualitätskontrolle, Robotik)
  • Optimierung (Planung, Verkehrsregelung, Finanzen)
  • Simulation (Black-Box-Simulation)
  • Klassifizierung (DNA-Analyse)
  • Näherung (unbekannte Funktion, komplexe Funktion)

Verwendung statischer MicroMLP -Funktionen:

Name Funktion
Erstellen mlp = MicroMLP.Create(neuronsByLayers, activationFuncName, layersAutoConnectFunction=None, useBiasValue=1.0)
LoadFromFile mlp = MicroMLP.LoadFromFile(filename)

Mit MicroMLP schnell ein neuronales Netzwerk erstellen: 

 from microMLP import MicroMLP
mlp = MicroMLP . Create ([ 3 , 10 , 2 ], "Sigmoid" , MicroMLP . LayersFullConnect )

Verwendung der MicroMLP- Hauptklasse:

Name Funktion
Konstrukteur mlp = MicroMLP()
GetLayer layer = mlp.GetLayer(layerIndex)
GetLayerIndex idx = mlp.GetLayerIndex(layer)
RemoveLayer mlp.RemoveLayer(layer)
GetInputLayer inputLayer = mlp.GetInputLayer()
GetOutputLayer outputLayer = mlp.GetOutputLayer()
Lernen ok = mlp.Learn(inputVectorNNValues, targetVectorNNValues)
Prüfen ok = mlp.Test(inputVectorNNValues, targetVectorNNValues)
Vorhersagen outputVectorNNValues = mlp.Predict(inputVectorNNValues)
QLearningLearnForChosenAction ok = mlp.QLearningLearnForChosenAction(stateVectorNNValues, rewardNNValue, pastStateVectorNNValues, chosenActionIndex, terminalState=True, discountFactorNNValue=None)
QLearningPredictBestActionIndex bestActionIndex = mlp.QLearningPredictBestActionIndex(stateVectorNNValues)
SaveToFile ok = mlp.SaveToFile(filename)
Beispiel hinzufügen ok = mlp.AddExample(inputVectorNNValues, targetVectorNNValues)
ClearExamples mlp.ClearExamples()
Erfahren Sie Beispiele learnCount = mlp.LearnExamples(maxSeconds=30, maxCount=None, stopWhenLearned=True, printMAEAverage=True)
Eigentum Beispiel Lesen/Schreiben
Schichten mlp.Layers erhalten
LayersCount mlp.LayersCount erhalten
IsNetworkComplete mlp.IsNetworkComplete erhalten
MSE mlp.MSE erhalten
MAE mlp.MAE erhalten
MSEPercent mlp.MSEPercent erhalten
MAEPercent mlp.MAEPercent erhalten
BeispieleAnzahl mlp.ExamplesCount erhalten

Verwenden von MicroMLP zum Erlernen des XOr-Problems (mit hyperbolischem Tangens): 

 from microMLP import MicroMLP

mlp = MicroMLP . Create ( neuronsByLayers           = [ 2 , 2 , 1 ],
                       activationFuncName        = MicroMLP . ACTFUNC_TANH ,
                       layersAutoConnectFunction = MicroMLP . LayersFullConnect )

nnFalse  = MicroMLP . NNValue . FromBool ( False )
nnTrue   = MicroMLP . NNValue . FromBool ( True )

mlp . AddExample ( [ nnFalse , nnFalse ], [ nnFalse ] )
mlp . AddExample ( [ nnFalse , nnTrue ], [ nnTrue ] )
mlp . AddExample ( [ nnTrue , nnTrue ], [ nnFalse ] )
mlp . AddExample ( [ nnTrue , nnFalse ], [ nnTrue ] )

learnCount = mlp . LearnExamples ()

print ( "LEARNED :" )
print ( "  - False xor False = %s" % mlp . Predict ([ nnFalse , nnFalse ])[ 0 ]. AsBool )
print ( "  - False xor True  = %s" % mlp . Predict ([ nnFalse , nnTrue ] )[ 0 ]. AsBool )
print ( "  - True  xor True  = %s" % mlp . Predict ([ nnTrue , nnTrue ] )[ 0 ]. AsBool )
print ( "  - True  xor False = %s" % mlp . Predict ([ nnTrue , nnFalse ])[ 0 ]. AsBool )

if mlp . SaveToFile ( "mlp.json" ) :
	print ( "MicroMLP structure saved!" )
Variable Beschreibung Standard
mlp.Eta Gewichtung der Fehlerkorrektur 0,30
mlp.Alpha Stärke der Verbindungen Plastizität 0,75
mlp.Gain Lerngewinn im Netzwerk 0,99
mlp.CorrectLearnedMAE Schwelle für selbstlernende Fehler 0,02
Graphe Name der Aktivierungsfunktion Konst Detail
HC² "Heaviside" MicroMLP.ACTFUNC_HEAVISIDE Heaviside-Binärschritt
HC² "Sigmoid" MicroMLP.ACTFUNC_SIGMOID Logistik (Sigmoid oder Soft Step)
HC² "TanH" MicroMLP.ACTFUNC_TANH Hyperbolischer Tangens
HC² "SoftPlus" MicroMLP.ACTFUNC_SOFTPLUS SoftPlus-Gleichrichter
HC² "ReLU" MicroMLP.ACTFUNC_RELU Gleichgerichtete Lineareinheit
HC² "Gaussian" MicroMLP.ACTFUNC_GAUSSIAN Gaußsche Funktion
Automatische Ebenenverbindungsfunktion Detail
MicroMLP.LayersFullConnect Netzwerk vollständig verbunden

Verwenden der MicroMLP.Layer -Klasse:

Name Funktion
Konstrukteur layer = MicroMLP.Layer(parentMicroMLP, activationFuncName=None, neuronsCount=0)
GetLayerIndex idx = layer.GetLayerIndex()
GetNeuron neuron = layer.GetNeuron(neuronIndex)
GetNeuronIndex idx = layer.GetNeuronIndex(neuron)
AddNeuron layer.AddNeuron(neuron)
RemoveNeuron layer.RemoveNeuron(neuron)
GetMeanSquareError mse = layer.GetMeanSquareError()
GetMeanAbsoluteError mae = layer.GetMeanAbsoluteError()
GetMeanSquareErrorAsPercent mseP = layer.GetMeanSquareErrorAsPercent()
GetMeanAbsoluteErrorAsPercent maeP = layer.GetMeanAbsoluteErrorAsPercent()
Entfernen layer.Remove()
Eigentum Beispiel Lesen/Schreiben
ParentMicroMLP layer.ParentMicroMLP erhalten
ActivationFuncName layer.ActivationFuncName erhalten
Neuronen layer.Neurons erhalten
NeuronsCount layer.NeuronsCount erhalten

Verwenden der Klasse MicroMLP.InputLayer(Layer) :

Name Funktion
Konstrukteur inputLayer = MicroMLP.InputLayer(parentMicroMLP, neuronsCount=0)
SetInputVectorNNValues ok = inputLayer.SetInputVectorNNValues(inputVectorNNValues)

Verwenden der Klasse MicroMLP.OutputLayer(Layer) :

Name Funktion
Konstrukteur outputLayer = MicroMLP.OutputLayer(parentMicroMLP, activationFuncName, neuronsCount=0)
GetOutputVectorNNValues outputVectorNNValues = outputLayer.GetOutputVectorNNValues()
ComputeTargetLayerError ok = outputLayer.ComputeTargetLayerError(targetVectorNNValues)

Verwendung der MicroMLP.Neuron -Klasse:

Name Funktion
Konstrukteur neuron = MicroMLP.Neuron(parentLayer)
GetNeuronIndex idx = neuron.GetNeuronIndex()
GetInputConnections connections = neuron.GetInputConnections()
GetOutputConnections connections = neuron.GetOutputConnections()
AddInputConnection neuron.AddInputConnection(connection)
AddOutputConnection neuron.AddOutputConnection(connection)
RemoveInputConnection neuron.RemoveInputConnection(connection)
RemoveOutputConnection neuron.RemoveOutputConnection(connection)
SetBias neuron.SetBias(bias)
GetBias neuron.GetBias()
SetOutputNNValue neuron.SetOutputNNValue(nnvalue)
ComputeValue neuron.ComputeValue()
ComputeError neuron.ComputeError(targetNNValue=None)
Entfernen neuron.Remove()
Eigentum Beispiel Lesen/Schreiben
ParentLayer neuron.ParentLayer erhalten
Berechnete Ausgabe neuron.ComputedOutput erhalten
BerechneterDeltaError neuron.ComputedDeltaError erhalten
ComputedSignalError neuron.ComputedSignalError erhalten

Verwenden der MicroMLP.Connection -Klasse:

Name Funktion
Konstrukteur connection = MicroMLP.Connection(neuronSrc, neuronDst, weight=None)
UpdateWeight connection.UpdateWeight(eta, alpha)
Entfernen connection.Remove()
Eigentum Beispiel Lesen/Schreiben
NeuronSrc connection.NeuronSrc erhalten
NeuronDst connection.NeuronDst erhalten
Gewicht connection.Weight erhalten

Verwenden der MicroMLP.Bias -Klasse:

Name Funktion
Konstrukteur bias = MicroMLP.Bias(neuronDst, value=1.0, weight=None)
UpdateWeight bias.UpdateWeight(eta, alpha)
Entfernen bias.Remove()
Eigentum Beispiel Lesen/Schreiben
NeuronDst bias.NeuronDst erhalten
Wert bias.Value erhalten
Gewicht bias.Weight erhalten

Verwendung statischer MicroMLP.NNValue -Funktionen:

Name Funktion
VonProzent nnvalue = MicroMLP.NNValue.FromPercent(value)
NewPercent nnvalue = MicroMLP.NNValue.NewPercent()
FromByte nnvalue = MicroMLP.NNValue.FromByte(value)
Neues Byte nnvalue = MicroMLP.NNValue.NewByte()
FromBool nnvalue = MicroMLP.NNValue.FromBool(value)
NewBool nnvalue = MicroMLP.NNValue.NewBool()
FromAnalogSignal nnvalue = MicroMLP.NNValue.FromAnalogSignal(value)
NewAnalogSignal nnvalue = MicroMLP.NNValue.NewAnalogSignal()

Verwenden der MicroMLP.NNValue -Klasse:

Name Funktion
Konstrukteur nnvalue = MicroMLP.NNValue(minValue, maxValue, value)
Eigentum Beispiel Lesen/Schreiben
AsFloat nnvalue.AsFloat = 639.513 bekommen / setzen
AsInt nnvalue.AsInt = 12345 bekommen / setzen
AsPercent nnvalue.AsPercent = 65 bekommen / setzen
AsByte nnvalue.AsByte = b'x75' bekommen / setzen
AsBool nnvalue.AsBool = True bekommen / setzen
AlsAnalogSignal nnvalue.AsAnalogSignal = 0.39472 bekommen / setzen

Von JC`zic für HC² ;')

Halte es einfach, Dummkopf ?

Expandieren
Zusätzliche Informationen
Ähnliche Anwendungen
Empfohlen für Sie
Ähnliche Nachrichten Alle