หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>โค้ดแหล่งที่มา AI
ดาวน์โหลด

MicroMLP เป็น perceptron หลายชั้นของโครงข่ายประสาทเทียมขนาดเล็ก (ใช้เป็นหลักในโมดูล ESP32 และ Pycom)

HC²

รวมง่ายมากและเบามากด้วยไฟล์เดียวเท่านั้น:

  • "microMLP.py"

คุณสมบัติ MicroMLP:

  • โครงสร้างหลายชั้นและการเชื่อมต่อที่ปรับเปลี่ยนได้
  • อคติแบบบูรณาการต่อเซลล์ประสาท
  • รวมความเป็นพลาสติกของการเชื่อมต่อ
  • ฟังก์ชั่นการเปิดใช้งานตามเลเยอร์
  • พารามิเตอร์ Alpha, Eta และ Gain
  • การจัดการชุดตัวอย่างและการเรียนรู้
  • ฟังก์ชั่น QLearning เพื่อใช้การเรียนรู้แบบเสริมกำลัง
  • บันทึกและโหลดโครงสร้างทั้งหมดไปยัง/จากไฟล์ json
  • ฟังก์ชั่นการเปิดใช้งานต่างๆ :
    • ขั้นตอนไบนารี Heaviside
    • ลอจิสติกส์ (sigmoid หรือ soft step)
    • แทนเจนต์ไฮเปอร์โบลิก
    • วงจรเรียงกระแส SoftPlus
    • ReLU (หน่วยเชิงเส้นตรง)
    • ฟังก์ชันเกาส์เซียน

ใช้การเรียนรู้เชิงลึกเพื่อ:

  • การประมวลผลสัญญาณ (การประมวลผลคำพูด การระบุตัวตน การกรอง)
  • การประมวลผลภาพ (การบีบอัด การจดจำ รูปแบบ)
  • การควบคุม (การวินิจฉัย การควบคุมคุณภาพ หุ่นยนต์)
  • การเพิ่มประสิทธิภาพ (การวางแผน การควบคุมการจราจร การเงิน)
  • การจำลอง (การจำลองกล่องดำ)
  • การจำแนกประเภท (การวิเคราะห์ DNA)
  • การประมาณค่า (ฟังก์ชันที่ไม่รู้จัก, ฟังก์ชันที่ซับซ้อน)

การใช้ฟังก์ชันคงที่ MicroMLP :

ชื่อ การทำงาน
สร้าง mlp = MicroMLP.Create(neuronsByLayers, activationFuncName, layersAutoConnectFunction=None, useBiasValue=1.0)
LoadFromFile mlp = MicroMLP.LoadFromFile(filename)

การใช้ MicroMLP สร้างโครงข่ายประสาทเทียมอย่างรวดเร็ว: 

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

การใช้คลาสหลักของ MicroMLP :

ชื่อ การทำงาน
ตัวสร้าง mlp = MicroMLP()
รับเลเยอร์ layer = mlp.GetLayer(layerIndex)
รับLayerIndex idx = mlp.GetLayerIndex(layer)
ลบเลเยอร์ mlp.RemoveLayer(layer)
รับInputLayer inputLayer = mlp.GetInputLayer()
GetOutputLayer outputLayer = mlp.GetOutputLayer()
เรียนรู้ ok = mlp.Learn(inputVectorNNValues, targetVectorNNValues)
ทดสอบ ok = mlp.Test(inputVectorNNValues, targetVectorNNValues)
ทำนาย outputVectorNNValues = mlp.Predict(inputVectorNNValues)
QLearningเรียนรู้เพื่อเลือกการกระทำ ok = mlp.QLearningLearnForChosenAction(stateVectorNNValues, rewardNNValue, pastStateVectorNNValues, chosenActionIndex, terminalState=True, discountFactorNNValue=None)
QLearningPredictBestActionIndex bestActionIndex = mlp.QLearningPredictBestActionIndex(stateVectorNNValues)
บันทึกไปยังไฟล์ ok = mlp.SaveToFile(filename)
เพิ่มตัวอย่าง ok = mlp.AddExample(inputVectorNNValues, targetVectorNNValues)
ตัวอย่างที่ชัดเจน mlp.ClearExamples()
เรียนรู้ตัวอย่าง learnCount = mlp.LearnExamples(maxSeconds=30, maxCount=None, stopWhenLearned=True, printMAEAverage=True)
คุณสมบัติ ตัวอย่าง อ่าน/เขียน
เลเยอร์ mlp.Layers รับ
เลเยอร์นับ mlp.LayersCount รับ
เครือข่ายเสร็จสมบูรณ์แล้ว mlp.IsNetworkComplete รับ
มสธ mlp.MSE รับ
แม่ mlp.MAE รับ
MSEเปอร์เซ็นต์ mlp.MSEPercent รับ
แม่เปอร์เซ็นต์ mlp.MAEPercent รับ
ตัวอย่างการนับ mlp.ExamplesCount รับ

การใช้ MicroMLP เพื่อเรียนรู้ปัญหา XOr (พร้อมไฮเพอร์โบลิกแทนเจนต์): 

 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!" )
ตัวแปร คำอธิบาย ค่าเริ่มต้น
mlp.Eta การถ่วงน้ำหนักของการแก้ไขข้อผิดพลาด 0.30 น
mlp.Alpha ความแข็งแรงของการเชื่อมต่อแบบพลาสติก 0.75
mlp.Gain กำไรจากการเรียนรู้ผ่านเครือข่าย 0.99
mlp.CorrectLearnedMAE เกณฑ์ของข้อผิดพลาดในการเรียนรู้ด้วยตนเอง 0.02
กราฟ ชื่อฟังก์ชันการเปิดใช้งาน คอนสตรัคชั่น รายละเอียด
HC² "Heaviside" ไมโครMLP.ACTFUNC_HEAVISIDE ขั้นตอนไบนารี Heaviside
HC² "Sigmoid" ไมโครMLP.ACTFUNC_SIGMOID ลอจิสติกส์ (sigmoid หรือ soft step)
HC² "TanH" ไมโครMLP.ACTFUNC_TANH ไฮเพอร์โบลิกแทนเจนต์
HC² "SoftPlus" ไมโครMLP.ACTFUNC_SOFTPLUS วงจรเรียงกระแส SoftPlus
HC² "ReLU" ไมโครMLP.ACTFUNC_RELU หน่วยเชิงเส้นตรงที่ถูกแก้ไข
HC² "Gaussian" ไมโครMLP.ACTFUNC_GAUSSIAN ฟังก์ชันเกาส์เซียน
ฟังก์ชั่นเชื่อมต่อเลเยอร์อัตโนมัติ รายละเอียด
MicroMLP.LayersFullConnect เชื่อมต่อเครือข่ายอย่างสมบูรณ์

การใช้คลาส MicroMLP.Layer :

ชื่อ การทำงาน
ตัวสร้าง layer = MicroMLP.Layer(parentMicroMLP, activationFuncName=None, neuronsCount=0)
รับLayerIndex idx = layer.GetLayerIndex()
GetNeuron neuron = layer.GetNeuron(neuronIndex)
รับ NeuronIndex idx = layer.GetNeuronIndex(neuron)
เพิ่มนิวรอน layer.AddNeuron(neuron)
ลบนิวรอน layer.RemoveNeuron(neuron)
ข้อผิดพลาด GetMeanSquare mse = layer.GetMeanSquareError()
GetMeanAbsoluteError mae = layer.GetMeanAbsoluteError()
GetMeanSquareErrorAsPercent mseP = layer.GetMeanSquareErrorAsPercent()
GetMeanAbsoluteErrorAsPercent maeP = layer.GetMeanAbsoluteErrorAsPercent()
ลบ layer.Remove()
คุณสมบัติ ตัวอย่าง อ่าน/เขียน
ผู้ปกครองMicroMLP layer.ParentMicroMLP รับ
ActivationFuncName layer.ActivationFuncName รับ
เซลล์ประสาท layer.Neurons รับ
NeuronsCount layer.NeuronsCount รับ

การใช้คลาส MicroMLP.InputLayer(Layer) :

ชื่อ การทำงาน
ตัวสร้าง inputLayer = MicroMLP.InputLayer(parentMicroMLP, neuronsCount=0)
ตั้งค่าInputVectorNNValues ok = inputLayer.SetInputVectorNNValues(inputVectorNNValues)

การใช้คลาส MicroMLP.OutputLayer(Layer) :

ชื่อ การทำงาน
ตัวสร้าง outputLayer = MicroMLP.OutputLayer(parentMicroMLP, activationFuncName, neuronsCount=0)
GetOutputVectorNNValues outputVectorNNValues = outputLayer.GetOutputVectorNNValues()
ข้อผิดพลาด ComputeTargetLayer ok = outputLayer.ComputeTargetLayerError(targetVectorNNValues)

การใช้คลาส MicroMLP.Neuron :

ชื่อ การทำงาน
ตัวสร้าง neuron = MicroMLP.Neuron(parentLayer)
รับ NeuronIndex idx = neuron.GetNeuronIndex()
GetInputConnections connections = neuron.GetInputConnections()
GetOutputConnections connections = neuron.GetOutputConnections()
เพิ่มInputConnection neuron.AddInputConnection(connection)
เพิ่มการเชื่อมต่อเอาท์พุต neuron.AddOutputConnection(connection)
ลบInputConnection neuron.RemoveInputConnection(connection)
ลบOutputConnection neuron.RemoveOutputConnection(connection)
ตั้งค่าอคติ neuron.SetBias(bias)
รับอคติ neuron.GetBias()
ตั้งค่าOutputNNValue neuron.SetOutputNNValue(nnvalue)
ค่าคำนวณ neuron.ComputeValue()
ข้อผิดพลาดในการคำนวณ neuron.ComputeError(targetNNValue=None)
ลบ neuron.Remove()
คุณสมบัติ ตัวอย่าง อ่าน/เขียน
ParentLayer neuron.ParentLayer รับ
เอาท์พุตที่คำนวณแล้ว neuron.ComputedOutput รับ
ข้อผิดพลาดของ ComputedDelta neuron.ComputedDeltaError รับ
ข้อผิดพลาดสัญญาณคอมพิวเตอร์ neuron.ComputedSignalError รับ

การใช้คลาส MicroMLP.Connection :

ชื่อ การทำงาน
ตัวสร้าง connection = MicroMLP.Connection(neuronSrc, neuronDst, weight=None)
อัพเดทน้ำหนัก connection.UpdateWeight(eta, alpha)
ลบ connection.Remove()
คุณสมบัติ ตัวอย่าง อ่าน/เขียน
NeuronSrc connection.NeuronSrc รับ
NeuronDst connection.NeuronDst รับ
น้ำหนัก connection.Weight รับ

การใช้คลาส MicroMLP.Bias :

ชื่อ การทำงาน
ตัวสร้าง bias = MicroMLP.Bias(neuronDst, value=1.0, weight=None)
อัพเดทน้ำหนัก bias.UpdateWeight(eta, alpha)
ลบ bias.Remove()
คุณสมบัติ ตัวอย่าง อ่าน/เขียน
NeuronDst bias.NeuronDst รับ
ค่า bias.Value รับ
น้ำหนัก bias.Weight รับ

การใช้ฟังก์ชันคงที่ MicroMLP.NNValue :

ชื่อ การทำงาน
จากเปอร์เซ็นต์ nnvalue = MicroMLP.NNValue.FromPercent(value)
ใหม่เปอร์เซ็นต์ nnvalue = MicroMLP.NNValue.NewPercent()
จากไบต์ nnvalue = MicroMLP.NNValue.FromByte(value)
นิวไบต์ nnvalue = MicroMLP.NNValue.NewByte()
จากบูล nnvalue = MicroMLP.NNValue.FromBool(value)
นิวบูล nnvalue = MicroMLP.NNValue.NewBool()
จากสัญญาณอนาล็อก nnvalue = MicroMLP.NNValue.FromAnalogSignal(value)
ใหม่สัญญาณอนาล็อก nnvalue = MicroMLP.NNValue.NewAnalogSignal()

การใช้คลาส MicroMLP.NNValue :

ชื่อ การทำงาน
ตัวสร้าง nnvalue = MicroMLP.NNValue(minValue, maxValue, value)
คุณสมบัติ ตัวอย่าง อ่าน/เขียน
เป็นลอย nnvalue.AsFloat = 639.513 รับ/ตั้งค่า
AsInt nnvalue.AsInt = 12345 รับ/ตั้งค่า
แอสเปอร์เซนต์ nnvalue.AsPercent = 65 รับ/ตั้งค่า
แอสไบต์ nnvalue.AsByte = b'x75' รับ/ตั้งค่า
แอสบูล nnvalue.AsBool = True รับ/ตั้งค่า
เป็นสัญญาณอนาล็อก nnvalue.AsAnalogSignal = 0.39472 รับ/ตั้งค่า

โดย JC`zic สำหรับ HC² ;')

ให้มันง่ายโง่ ?

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด