Beranda>Terkait pemrograman>Kode Sumber AI
Unduh

MicroMLP adalah perceptron multilayer jaringan saraf tiruan mikro (terutama digunakan pada modul ESP32 dan Pycom)

HC²

Sangat mudah diintegrasikan dan sangat ringan hanya dengan satu file :

  • "microMLP.py"

Fitur MicroMLP :

  • Struktur multilayer dan koneksi yang dapat dimodifikasi
  • Bias terintegrasi pada neuron
  • Plastisitas sambungan disertakan
  • Fungsi aktivasi berdasarkan lapisan
  • Parameter Alpha, Eta dan Gain
  • Mengelola serangkaian contoh dan pembelajaran
  • QLearning berfungsi menggunakan pembelajaran penguatan
  • Simpan dan muat semua struktur ke/dari file json
  • Berbagai fungsi aktivasi:
    • Langkah biner berat
    • Logistik (langkah sigmoid atau lunak)
    • Garis singgung hiperbolik
    • Penyearah SoftPlus
    • ReLU (unit linier yang diperbaiki)
    • Fungsi Gaussian

Gunakan pembelajaran mendalam untuk:

  • Pemrosesan sinyal (pemrosesan ucapan, identifikasi, pemfilteran)
  • Pemrosesan gambar (kompresi, pengenalan, pola)
  • Kontrol (diagnosis, kontrol kualitas, robotika)
  • Optimalisasi (perencanaan, pengaturan lalu lintas, keuangan)
  • Simulasi (simulasi kotak hitam)
  • Klasifikasi (analisis DNA)
  • Perkiraan (fungsi tidak diketahui, fungsi kompleks)

Menggunakan fungsi statis MicroMLP :

Nama Fungsi
Membuat mlp = MicroMLP.Create(neuronsByLayers, activationFuncName, layersAutoConnectFunction=None, useBiasValue=1.0)
MuatDariFile mlp = MicroMLP.LoadFromFile(filename)

Menggunakan MicroMLP membuat jaringan saraf dengan cepat : 

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

Menggunakan kelas utama MicroMLP :

Nama Fungsi
Konstruktor mlp = MicroMLP()
Dapatkan Lapisan layer = mlp.GetLayer(layerIndex)
DapatkanLayerIndex idx = mlp.GetLayerIndex(layer)
Hapus Lapisan mlp.RemoveLayer(layer)
DapatkanInputLayer inputLayer = mlp.GetInputLayer()
DapatkanOutputLayer outputLayer = mlp.GetOutputLayer()
Mempelajari ok = mlp.Learn(inputVectorNNValues, targetVectorNNValues)
Tes ok = mlp.Test(inputVectorNNValues, targetVectorNNValues)
Meramalkan outputVectorNNValues = mlp.Predict(inputVectorNNValues)
QLearningLearnForChosenAction ok = mlp.QLearningLearnForChosenAction(stateVectorNNValues, rewardNNValue, pastStateVectorNNValues, chosenActionIndex, terminalState=True, discountFactorNNValue=None)
QLearningPredictBestActionIndex bestActionIndex = mlp.QLearningPredictBestActionIndex(stateVectorNNValues)
Simpan Ke File ok = mlp.SaveToFile(filename)
Tambahkan Contoh ok = mlp.AddExample(inputVectorNNValues, targetVectorNNValues)
Contoh Jelas mlp.ClearExamples()
Pelajari Contoh learnCount = mlp.LearnExamples(maxSeconds=30, maxCount=None, stopWhenLearned=True, printMAEAverage=True)
Milik Contoh Baca/Tulis
Lapisan mlp.Layers mendapatkan
Jumlah Lapisan mlp.LayersCount mendapatkan
IsNetworkLengkap mlp.IsNetworkComplete mendapatkan
UMK mlp.MSE mendapatkan
MAE mlp.MAE mendapatkan
MSEPersen mlp.MSEPercent mendapatkan
MAEPersen mlp.MAEPercent mendapatkan
ContohHitungan mlp.ExamplesCount mendapatkan

Menggunakan MicroMLP untuk mempelajari masalah XOr (dengan tangen hiperbolik): 

 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!" )
Variabel Keterangan Bawaan
mlp.Eta Pembobotan koreksi kesalahan 0,30
mlp.Alpha Kekuatan sambungan plastisitas 0,75
mlp.Gain Keuntungan pembelajaran jaringan 0,99
mlp.CorrectLearnedMAE Ambang batas kesalahan belajar mandiri 0,02
Grafik Nama fungsi aktivasi Konstan Detil
HC² "Heaviside" MikroMLP.ACTFUNC_HEAVISIDE Langkah biner berat
HC² "Sigmoid" MikroMLP.ACTFUNC_SIGMOID Logistik (langkah sigmoid atau lunak)
HC² "TanH" MikroMLP.ACTFUNC_TANH Garis singgung hiperbolik
HC² "SoftPlus" MikroMLP.ACTFUNC_SOFTPLUS Penyearah SoftPlus
HC² "ReLU" MikroMLP.ACTFUNC_RELU Unit linier yang diperbaiki
HC² "Gaussian" MikroMLP.ACTFUNC_GAUSSIAN Fungsi Gaussian
Fungsi koneksi otomatis lapisan Detil
MicroMLP.LayersFullConnect Jaringan terhubung sepenuhnya

Menggunakan kelas MicroMLP.Layer :

Nama Fungsi
Konstruktor layer = MicroMLP.Layer(parentMicroMLP, activationFuncName=None, neuronsCount=0)
DapatkanLayerIndex idx = layer.GetLayerIndex()
Dapatkan Neuron neuron = layer.GetNeuron(neuronIndex)
Dapatkan NeuronIndex idx = layer.GetNeuronIndex(neuron)
Tambahkan Neuron layer.AddNeuron(neuron)
Hapus Neuron layer.RemoveNeuron(neuron)
Dapatkan MeanSquareError mse = layer.GetMeanSquareError()
DapatkanMeanAbsoluteError mae = layer.GetMeanAbsoluteError()
DapatkanMeanSquareErrorAsPercent mseP = layer.GetMeanSquareErrorAsPercent()
DapatkanMeanAbsoluteErrorAsPercent maeP = layer.GetMeanAbsoluteErrorAsPercent()
Menghapus layer.Remove()
Milik Contoh Baca/Tulis
IndukMicroMLP layer.ParentMicroMLP mendapatkan
Nama Fungsi Aktivasi layer.ActivationFuncName mendapatkan
Neuron layer.Neurons mendapatkan
Jumlah Neuron layer.NeuronsCount mendapatkan

Menggunakan kelas MicroMLP.InputLayer(Layer) :

Nama Fungsi
Konstruktor inputLayer = MicroMLP.InputLayer(parentMicroMLP, neuronsCount=0)
SetInputVectorNNValues ok = inputLayer.SetInputVectorNNValues(inputVectorNNValues)

Menggunakan kelas MicroMLP.OutputLayer(Layer) :

Nama Fungsi
Konstruktor outputLayer = MicroMLP.OutputLayer(parentMicroMLP, activationFuncName, neuronsCount=0)
DapatkanOutputVectorNNValues outputVectorNNValues = outputLayer.GetOutputVectorNNValues()
ComputeTargetLayerError ok = outputLayer.ComputeTargetLayerError(targetVectorNNValues)

Menggunakan kelas MicroMLP.Neuron :

Nama Fungsi
Konstruktor neuron = MicroMLP.Neuron(parentLayer)
Dapatkan NeuronIndex idx = neuron.GetNeuronIndex()
DapatkanInputConnections connections = neuron.GetInputConnections()
DapatkanOutputConnections connections = neuron.GetOutputConnections()
TambahkanInputConnection neuron.AddInputConnection(connection)
TambahkanKoneksiOutput neuron.AddOutputConnection(connection)
HapusInputConnection neuron.RemoveInputConnection(connection)
HapusOutputConnection neuron.RemoveOutputConnection(connection)
SetBias neuron.SetBias(bias)
Dapatkan Bias neuron.GetBias()
SetOutputNNNilai neuron.SetOutputNNValue(nnvalue)
Nilai Komputasi neuron.ComputeValue()
Kesalahan Komputasi neuron.ComputeError(targetNNValue=None)
Menghapus neuron.Remove()
Milik Contoh Baca/Tulis
Lapisan Induk neuron.ParentLayer mendapatkan
Output yang Dihitung neuron.ComputedOutput mendapatkan
ComputedDeltaError neuron.ComputedDeltaError mendapatkan
ComputedSignalError neuron.ComputedSignalError mendapatkan

Menggunakan kelas MicroMLP.Connection :

Nama Fungsi
Konstruktor connection = MicroMLP.Connection(neuronSrc, neuronDst, weight=None)
PerbaruiBerat connection.UpdateWeight(eta, alpha)
Menghapus connection.Remove()
Milik Contoh Baca/Tulis
NeuronSrc connection.NeuronSrc mendapatkan
NeuronDst connection.NeuronDst mendapatkan
Berat connection.Weight mendapatkan

Menggunakan kelas MicroMLP.Bias :

Nama Fungsi
Konstruktor bias = MicroMLP.Bias(neuronDst, value=1.0, weight=None)
PerbaruiBerat bias.UpdateWeight(eta, alpha)
Menghapus bias.Remove()
Milik Contoh Baca/Tulis
NeuronDst bias.NeuronDst mendapatkan
Nilai bias.Value mendapatkan
Berat bias.Weight mendapatkan

Menggunakan fungsi statis MicroMLP.NNValue :

Nama Fungsi
DariPersen nnvalue = MicroMLP.NNValue.FromPercent(value)
Persen Baru nnvalue = MicroMLP.NNValue.NewPercent()
DariByte nnvalue = MicroMLP.NNValue.FromByte(value)
Byte Baru nnvalue = MicroMLP.NNValue.NewByte()
DariBool nnvalue = MicroMLP.NNValue.FromBool(value)
Bool Baru nnvalue = MicroMLP.NNValue.NewBool()
DariSinyal Analog nnvalue = MicroMLP.NNValue.FromAnalogSignal(value)
Sinyal Analog Baru nnvalue = MicroMLP.NNValue.NewAnalogSignal()

Menggunakan kelas MicroMLP.NNValue :

Nama Fungsi
Konstruktor nnvalue = MicroMLP.NNValue(minValue, maxValue, value)
Milik Contoh Baca/Tulis
Sebagai Mengambang nnvalue.AsFloat = 639.513 dapatkan / atur
SebagaiInt nnvalue.AsInt = 12345 dapatkan / atur
Sebagai Persen nnvalue.AsPercent = 65 dapatkan / atur
SebagaiByte nnvalue.AsByte = b'x75' dapatkan / atur
SebagaiBool nnvalue.AsBool = True dapatkan / atur
Sebagai Sinyal Analog nnvalue.AsAnalogSignal = 0.39472 dapatkan / atur

Oleh JC`zic untuk HC² ;')

Tetap sederhana, bodoh ?

Memperluas
Informasi Tambahan
Aplikasi Terkait
Direkomendasikan untuk Anda
Informasi Terkait Semua