-
Notifications
You must be signed in to change notification settings - Fork 0
/
vmsd6.py
141 lines (119 loc) · 5.21 KB
/
vmsd6.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
import numpy as np
import random
def pesos(nentrada, noculta, nsaida):
w1 = np.zeros((noculta, nentrada))
w2 = np.zeros((nsaida, noculta))
for c in range(noculta):
for cc in range(nentrada):
w1[c][cc] = random.normalvariate(0, 1)
for a in range(nsaida):
for aa in range(noculta):
w2[a][aa] = random.normalvariate(0, 1)
return w1, w2
def bias(noculta, nsaida):
b1 = np.ones((noculta, 1))
b2 = np.ones((nsaida, 1))
for a in range(noculta):
b1[a][0] = random.random()
for aa in range(nsaida):
b2[aa][0] = random.random()
return b1, b2
def funcao_ativacao(v):
f = 1 / (1 + np.exp(-v))
return f
def treinamento(n_entrada, n_oculta, n_saida, x, amostra, w1, w2, b1, b2):
erro_rede = np.zeros(n_saida)
# camada oculta
res_oculto = np.zeros((n_oculta, 1))
for neuronio_oculto in range(len(w1)):
soma = 0
for c in range(n_entrada):
soma = soma + x[c][amostra] * w1[neuronio_oculto][c]
v_oculto = soma + b1[neuronio_oculto][0]
res_oculto[neuronio_oculto][0] = funcao_ativacao(v_oculto)
# camada de saída
y = np.zeros((n_saida, 1))
for neuronio_saida in range(len(w2)):
soma2 = 0
for cc in range(len(res_oculto)):
soma2 = soma2 + res_oculto[cc][0] * w2[neuronio_saida][cc]
v_saida = soma2 + b2[neuronio_saida][0]
y[neuronio_saida][0] = funcao_ativacao(v_saida)
erro_rede[neuronio_saida] = (y[neuronio_saida][0] - d[neuronio_saida][amostra])**2
# backpropagation: camada de saída -> camada oculta
delta_saida = np.zeros((n_saida, n_oculta))
for neuronio_saida in range(len(w2)):
for cc in range(len(res_oculto)):
delta_saida[neuronio_saida][cc] = (y[neuronio_saida][0] - d[neuronio_saida][amostra]) * y[neuronio_saida][0] * (1 - y[neuronio_saida][0])
w2[neuronio_saida][cc] = w2[neuronio_saida][cc] - (((y[neuronio_saida][0] - d[neuronio_saida][amostra]) * y[neuronio_saida][0] * (1 - y[neuronio_saida][0])) * res_oculto[cc][0] * taxa_de_aprendizagem)
b2[neuronio_saida][0] = b2[neuronio_saida][0] - (y[neuronio_saida][0] - d[neuronio_saida][amostra]) * y[neuronio_saida][0] * (1 - y[neuronio_saida][0]) * taxa_de_aprendizagem
# backpropagation: camada oculta -> camada de entrada
for neuronio_saida in range(len(w2)):
soma3 = 0
for c in range(len(res_oculto)):
soma3 = soma3 + delta_saida[neuronio_saida][c] * w2[neuronio_saida][c]
for neuronio_oculto in range(len(w1)):
for i in range(len(x)-1):
w1[neuronio_oculto][i] = w1[neuronio_oculto][i] - (taxa_de_aprendizagem * (res_oculto[neuronio_oculto][0] * (1 - res_oculto[neuronio_oculto][0]) * soma3) * x[i][amostra])
b1[neuronio_oculto][0] = b1[neuronio_oculto][0] - (taxa_de_aprendizagem * (res_oculto[neuronio_oculto][0] * (1 - res_oculto[neuronio_oculto][0]) * soma3))
return erro_rede
def simulacao(n_entrada, n_oculta, n_saida, x, amostra, w1, w2, b1, b2):
# camada oculta
res_oculto = np.zeros((n_oculta, 1))
for neuronio_oculto in range(len(w1)):
soma = 0
for c in range(n_entrada):
soma = soma + x[c][amostra] * w1[neuronio_oculto][c]
v_oculto = soma + b1[neuronio_oculto][0]
res_oculto[neuronio_oculto][0] = funcao_ativacao(v_oculto)
# camada de saída
y = np.zeros((n_saida, 1))
for neuronio_saida in range(len(w2)):
soma2 = 0
for cc in range(len(res_oculto)):
soma2 = soma2 + res_oculto[cc][0] * w2[neuronio_saida][cc]
v_saida = soma2 + b2[neuronio_saida][0]
y[neuronio_saida][0] = funcao_ativacao(v_saida)
return y
# main
# Parâmetros
n_entrada = 8
n_oculta = 30
n_saida = 3
taxa_de_aprendizagem = 0.01
epocas = 10000
amostra = 9 # só para treinamento
x = [[1.0, 1.0, 0.0, 0.0, 0.7, 0.7, 0.4, 0.4, 0.4],
[1.0, 1.0, 0.6, 0.6, 0.0, 0.0, 0.3, 0.3, 0.3],
[0.0, 0.0, 0.5, 0.5, 0.6, 0.6, 1.0, 1.0, 1.0],
[0.5, 0.5, 0.6, 0.6, 0.0, 0.0, 1.0, 1.0, 1.0],
[0.2, 0.2, 0.6, 0.6, 1.0, 1.0, 0.0, 0.0, 0.0],
[0.5, 0.5, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0],
[1.0, 1.0, 0.5, 0.5, 0.5, 0.5, 0.0, 0.0, 0.0],
[0.2, 0.8, 0.7, 1.0, 0.8, 1.0, 0.0, 0.4, 0.7]]
d = [[0.7, 0.5, 0.8, 0.6, 0.0, 0.0, 1.0, 0.4, 0.3],
[0.3, 0.1, 0.0, 0.0, 0.3, 0.3, 0.9, 1.0, 1.0],
[0.7, 1.0, 0.9, 1.0, 1.0, 1.0, 0.0, 0.1, 0.2]]
w1, w2 = pesos(n_entrada, n_oculta, n_saida)
b1, b2 = bias(n_oculta, n_saida)
a = 0
erro = np.zeros(amostra)
while True:
a = a + 1
for i in range(amostra):
soma_erro = treinamento(n_entrada, n_oculta, n_saida, x, i, w1, w2, b1, b2)
erro[i] = (1/2) * sum(soma_erro)
erro_med = (1/len(erro)) * sum(erro)
if a > epocas or erro_med < 0.01:
break
# teste
amostra2 = 1
xx = np.zeros((n_entrada, amostra2))
pirolise = [0.4, 0.3, 1.0, 1.0, 0.0, 1.0, 0.0, 0.2]
for w in range(n_entrada):
xx[w][0] = pirolise[w]
acerto = 0
erro_resposta = 0
for k in range(amostra2):
resposta = simulacao(n_entrada, n_oculta, n_saida, xx, k, w1, w2, b1, b2)
print(resposta)