Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen gezeigt.

--- ss15:nncode [2015/07/24 22:13]
mr.lazy angelegt
+++ ss15:nncode [2016/05/10 14:46] (aktuell)
@@ Zeile 42: / Zeile 42: @@
         return 'N:' + str(len(self.weights)), self.weights
-<code>
+</code>
+=====network=====
+<code python>
+# -*-coding:utf8-*-
+from __future__ import division
+import neuron as nr
+import random
+import math
+import readfile as rf
+def sProduct(list1, list2, prit=False):
+    '''Berechnet das SkalarProdukt zweier Vektoren'''
+    value = 0
+    for i in range(len(list1)):
+        if prit:
+            print list1[i]
+            print list2[i]
+        value += list1[i]*list2[i]
+    return value
+class Network():
+    def __init__(self, neuronNum):
+        '''Generiert ein neues Netzwerk jeweils neuronNum verschiedenen
+            Neuronen in layers Layern und inputNum Gewichten pro Neuron.'''
+        self.layers = []
+        # Neues Layer anlegen
+        for layer in range(len(neuronNum)-1):
+            # So viele Neuronen anlegen, wie das Layer Outputs hat
+            neurons = []
+            for i in range(neuronNum[layer+1]):
+                weights = []
+                # Fuer jedes Neuron so viele Gewichte anlegen,
+                # wie das Layer Inputs hat
+                for j in range(neuronNum[layer]):
+                    weights.append(random.uniform(-0.03, 0.03))
+                neurons.append(nr.Neuron(weights))
+            self.layers.append(neurons)
+        self.learningRate = 0.015
+        self.softmax = 1
+        self.decay = 0.05
+        # for layer in range(len(self.layers)):
+        #     print "Layer:", layer, [neuron.printNeuron()
+        #                             for neuron in self.layers[layer]]
+    def getOutput(self, inputs):
+        '''Testet das Netzwerk auf einen Input-Vektor und den korrekten
+            Output'''
+        end_output = []
+        for layer in self.layers:
+            output = []
+            for nrn in layer:
+                nrn.processInput(inputs)
+                output.append(nrn.output)
+                end_output.append(nrn.value)
+            inputs = output[:]
+        # self.softmax = sum([math.e**value for value in end_output])
+        return inputs
+    def compareOutputs(self, output, expOutput):
+        '''Berechnet den quadratischen Fehler zwischen erwartetem und
+        tatsaechlichem Output'''
+        error = 0
+        for i in range(output):
+            error += (output[i]-expOutput[i])**2
+        return 0.5*error
+    def update(self, inputs, expOutput):
+        output = self.getOutput(inputs)
+        newWeightsList = []
+        deltas = []
+        # zunächst werden die Deltas berechnet
+        for i in range(len(self.layers[-1])):
+            deltas.append((output[i] - expOutput[i]) *
+                          nr.derivedActFunc(self.layers[-1][i].value))
+        for layer in range(len(self.layers)):
+            # print "Layer", len(self.layers)-layer-1, "of", len(self.layers)
+            newWeights = []
+            for n in range(len(self.layers[-(layer+1)])):
+                # print "Neuron", n, "of", len(self.layers[-layer-1])
+                newNeuronWeights = []
+                for w in range(len(self.layers[-(layer+1)][n].weights)):
+                    weight = self.layers[-(layer+1)][n].weights[w]
+                    newNeuronWeights.append(weight*(1-self.decay) - self.learningRate *
+                                            deltas[n]*self.layers[-(layer+1)][n].inputs[w])
+                newWeights.append(newNeuronWeights)
+            newWeightsList.append(newWeights)
+            # deltas update
+            newdeltas = []
+            for l in range(len(self.layers[-(layer+1)][0].weights)):
+                value = 0
+                # print -(layer+2)
+                if -(layer+1) == -len(self.layers):
+                    value = inputs[l]
+                else:
+                    value = self.layers[-(layer+2)][l].value
+                newdeltas.append(sum([deltas[k]*self.layers[-(layer+1)][k].weights[l] for k in range(len(deltas))])*nr.derivedActFunc(value))
+            deltas = newdeltas
+        for layer in range(len(self.layers)):
+            for n in range(len(self.layers[layer])):
+                self.layers[layer][n].setWeights(newWeightsList[-layer-1][n])
+    def updateDataset(self, dataset):
+        '''Trainiert das Neuronale Netz anhand einer Liste von Inputs und
+        erwarteten Outputs'''
+        for data in range(len(dataset)):
+            # print data+1, "/", len(dataset)
+            self.update(dataset[data][0], dataset[data][1])
+    def testDataset(self, dataset):
+        correctAnswers = 0
+        for data in dataset:
+            res = self.getOutput(data[0])
+            # print res
+            # print res, data[1]
+            maxvalue = 0
+            for i in range(len(res)):
+                if (res[i] > res[maxvalue]):
+                    maxvalue = i
+            if (data[1][maxvalue] == 1):
+                correctAnswers += 1
+                print "   " * maxvalue, maxvalue
+            #     print maxvalue, [round(num, 5) for num in res]
+            # else:
+            #     print data[1], [round(num, 5) for num in res]
+        print correctAnswers / len(dataset)
+        return correctAnswers / len(dataset)
+if __name__ == "__main__":
+    n = Network([256, 12, 10])
+    traindata = rf.readFile("zip.train")
+    testdata = rf.readFile("zip.test")
+    value = n.testDataset(testdata)
+    n.updateDataset(traindata)
+    newvalue = n.testDataset(testdata)
+    while newvalue - value > 10**-4:
+        value = newvalue
+        n.updateDataset(traindata)
+        newvalue = n.testDataset(testdata)
+</code>
+=====readfile=====
+<code python>
+import numpy as np
+import matplotlib.pyplot as plt
+def readFile(filename, skip=257):
+    file = open(filename, 'r')
+    all = file.read()
+    numbers = [float(num) for num in all.split()]
+    data = []
+    for i in range(len(numbers)//skip):
+        number = numbers[i*skip:(i+1)*skip]
+        # print number
+        im = [1+num for num in number][1:]
+        data.append((im, [0]*int(number[0])+[1]+[0]*(9-int(number[0]))))
+    return data
+def convertToMatrix(data, x=16, y=16):
+    arr = np.reshape(np.array(data), (x, y))
+    return arr
+def showData(data):
+    for dat in data:
+        print (dat[1])
+        plt.imshow(convertToMatrix(dat[0]), cmap="Greys")
+        plt.show()
+</code>

Mathesis Wiki

Benutzer-Werkzeuge

Webseiten-Werkzeuge

Unterschiede

Seiten-Werkzeuge