Simple artifical neural network (2d multilayered)
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112113114115116117118119120121122123124125126127128129130131132133134135136137138139140141142143144145146147148149150151152153154155156157158159160161162163164165166167168169170171172173174175176177178179180181182183184185186187188189190191192193194195196197198199200201202203204205206207208209210211212213214215216217218219220221222223224225226227228229230231232233234235236237238239240241242243244245246247248249250251252253254255256257258259260261262263264265266267268269270271272273274275276277278279280281282283284285286287288289290291292293294295296297298299300301302303304305306307308309310311312313314315316317318
/*
Переписка genann на структурный лад.
Полезная информация:
Сигмоидная функция активации,
Алгоритм обратного распространения ошибки (используется в network_train):
http://www.aiportal.ru/articles/neural-networks/back-propagation.html
https://ru.coursera.org/learn/vvedenie-mashinnoe-obuchenie/lecture/SjSlD/nieironnyie-sieti-vviedieniie
https://ru.coursera.org/learn/vvedenie-mashinnoe-obuchenie/lecture/Lmbqi/nieironnyie-sieti-mietod-obratnogho-rasprostranieniia-oshibki
*/
/*
TODO
1) рефакторинг кода: уж слишком длинные выражения в циклах обучения сети
2) сохранение в файл, извлечение состояния сети
*/
#include <stdio.h> // printf
#include <stdlib.h> // rand, srand, malloc, calloc
#include <time.h> // time
#include <math.h> // exp
typedef struct network network;
typedef struct layer layer;
typedef struct neuron neuron;
struct neuron {
double* weight;
double output;
double delta;
};
struct layer {
neuron* neuron;
};
struct network {
int error;
int inputs, hidden_layers, neurons, outputs;
layer* hidden;
layer output;
};
/* Создает и возвращает нейрон с заданным кол-вом весов */
neuron neuron_create(int weights) {
neuron neuron;
/* calloc, в отличии от malloc, заполняет выделенную область нулями */
/* Т.е. веса изначально будут равны нулю */
neuron.weight = calloc(weights, sizeof(double));
/* output и delta вычисляются позже, им не нужно сейчас присваивать значение */
return neuron;
}
/* Создает и возвращает слой нейронов */
layer layer_create(int neurons, int weights) {
layer layer;
/* Выделяем место под массив из neurons нейронов */
layer.neuron = malloc(neurons * sizeof(neuron));
/* Заполняем массив нейронов новыми нейронами */
/* ВНИМАНИЕ! У каждого нейрона есть один дополнительный вес с нулевым индексом,
который всегда умножается на -1.0 */
int n;
for (n = 0; n < neurons; n++) {
layer.neuron[n] = neuron_create(weights + 1);
}
return layer;
}
/* Возвращает случайное число от 0 до 1 */
double random_double() {
/* Статическая переменная сохранит свое значение даже после выхода из функции */
static int initalized = 0;
/* Используем это для инициализации рандома (seed random) только при первом запуске функции */
if (!initalized) {
srand(time(NULL));
initalized = 1;
}
return (double) rand() / RAND_MAX;
}
/* Рандомизирует веса нейронов сети. Вызывается в конце network_init */
void network_randomize(network* net) {
int h, n, w;
/* Скрытые слои (если есть) */
for (h = 0; h < net->hidden_layers; h++) {
for (n = 0; n < net->neurons; n++) {
for (w = 0; w < 1 + (h == 0 ? net->inputs : net-> neurons); w++) {
/* Задаем весам случайные значения от -0.5 до 0.5 */
net->hidden[h].neuron[n].weight[w] = random_double() - 0.5;
}
}
}
/* Выходной слой */
for (n = 0; n < net->outputs; n++) {
for (w = 0; w < 1 + (net->hidden_layers ? net->neurons : net->inputs); w++) {
net->output.neuron[n].weight[w] = random_double() - 0.5;
}
}
}
/* Создает и возвращает сеть с заданными параметрами */
network network_init(int inputs, int hidden_layers, int neurons, int outputs) {
network net;
/* Проверка входных параметров */
net.error = (
inputs < 1
|| hidden_layers < 0
|| (hidden_layers > 0 && neurons < 1)
|| outputs < 1
);
if (!net.error) {
net.inputs = inputs;
net.hidden_layers = hidden_layers;
net.neurons = neurons;
net.outputs = outputs;
/* Выделяем память под массив скрытых слоёв (если задано 0, то и выделится 0) */
net.hidden = malloc(hidden_layers * sizeof(layer));
/* Заполняем массив слоёв */
int h;
for (h = 0; h < hidden_layers; h++) {
net.hidden[h] = layer_create(neurons, h == 0 ? inputs : neurons);
}
/* Выходной слой */
net.output = layer_create(outputs, neurons);
network_randomize(&net);
}
return net;
}
/* Сигмоидная функция активации */
double act_sigmoid(double a) {
return 1.0 / (1 + exp(-a));
}
/* Фидфорвард сети */
void network_run(network* net, double* input) {
int h, n, w;
/* Скрытые слои (если есть) */
for (h = 0; h < net->hidden_layers; h++) {
int first_hidden = h == 0;
for (n = 0; n < net->neurons; n++) {
double sum = 0;
for (w = 0; w < 1 + (first_hidden ? net->inputs : net-> neurons); w++) {
if (w == 0) {
sum += net->hidden[h].neuron[n].weight[w] * -1.0;
} else if (first_hidden) {
sum += net->hidden[h].neuron[n].weight[w] * input[w];
} else {
sum += net->hidden[h].neuron[n].weight[w] * net->hidden[h-1].neuron[w].output;
}
}
net->hidden[h].neuron[n].output = act_sigmoid(sum);
}
}
/* Выходной слой */
for (n = 0; n < net->outputs; n++) {
double sum = 0;
for (w = 0; w < 1 + (net->hidden_layers ? net->neurons : net->inputs); w++) {
if (w == 0) {
sum += net->output.neuron[n].weight[w] * -1.0;
} else if (net->hidden_layers) {
sum += net->output.neuron[n].weight[w] * net->hidden[net->hidden_layers-1].neuron[w].output;
} else {
sum += net->output.neuron[n].weight[w] * input[w];
}
}
net->output.neuron[n].output = act_sigmoid(sum);
}
}
/* Обучает сеть 1 раз */
void network_train(network* net, double* input, double* desired_output, double learning_rate) {
/* Фидфорвардим сеть. Вычисляются выходные значения. */
network_run(net, input);
int h, n, w;
/* Вычисляем разность между выходом сети и ожидаемым значением (сигнал ошибки) */
/* Первый этап случая 1 */
for (n = 0; n < net->outputs; n++) {
double desired = desired_output[n];
double output = net->output.neuron[n].output;
net->output.neuron[n].delta = (desired - output) * output * (1.0 - output);
}
/* Распространяем сигнал ошибки к началу сети */
/* Кстати, этот цикл будет пропущен если hidden_layers == 0 */
/* http://www.aiportal.ru/images/articles/NN_back_propagation_algorithm_02.png
* Первый этап случая 2.
* forward_weight это wq-k на картинке,
* forward_delta это дельта k-того нейрона на след. слое
* delta это сумма дельт нейронов след. слоя */
for (h = net->hidden_layers - 1; h >= 0; h--) {
int last_hidden = h == net->hidden_layers - 1;
for (n = 0; n < net->neurons; n++) {
double delta_sum = 0;
for (w = 0; w < (last_hidden ? net->outputs : net->neurons); w++) {
double forward_delta = last_hidden ? net->output.neuron[w].delta : net->hidden[h+1].neuron[w].delta;
double forward_weight = last_hidden ? net->output.neuron[w].weight[n] : net->hidden[h+1].neuron[w].weight[n];
delta_sum += forward_delta * forward_weight;
}
double output = net->hidden[h].neuron[n].output;
net->hidden[h].neuron[n].delta = output * (1.0-output) * delta_sum;
}
}
/* Тренируем выходной слой */
/* Второй этап случая 1 */
for (n = 0; n < net->outputs; n++) {
for (w = 0; w < 1 + (net->hidden_layers ? net->neurons : net->inputs); w++) {
if (w == 0) {
net->output.neuron[n].weight[w] += learning_rate * net->output.neuron[n].delta * -1.0;
} else if (net->hidden_layers) {
net->output.neuron[n].weight[w] += learning_rate * net->output.neuron[n].delta * net->hidden[net->hidden_layers-1].neuron[w].output;
} else {
net->output.neuron[n].weight[w] += learning_rate * net->output.neuron[n].delta * input[w];
}
}
}
/* Тренируем скрытые слои */
/* Второй этап случая 2 */
for (h = 0; h < net->hidden_layers; h++) {
for (n = 0; n < net->neurons; n++) {
for (w = 0; w < 1 + (h == 0 ? net->inputs : net->neurons); w++) {
if (w == 0) {
net->hidden[h].neuron[n].weight[w] += net->hidden[h].neuron[n].delta * -1.0;
} else if (h == 0) {
net->hidden[h].neuron[n].weight[w] += net->hidden[h].neuron[n].delta * input[w];
} else {
net->hidden[h].neuron[n].weight[w] += net->hidden[h].neuron[n].delta * net->hidden[h-1].neuron[w].output;
}
}
}
}
}
/* Отдает входные данные на обработку сетью, выводит результат */
void test(network* net, double* input, double* desired_output) {
network_run(net, input);
printf("Output for {%1.f, %1.f} is %1.f (should be %1.f)\n", input[0], input[1], net->output.neuron[0].output, desired_output[0]);
}
int main() {
/* Будем учить нашу сеть выполнять функцию XOR */
/* Создаем сеть с 2 входами
1 скрытым слоем из 2 нейронов
и 1 выходом */
network net = network_init(2, 1, 2, 1);
if (net.error) return 1;
/* Для XOR в принципе достаточно иметь лишь выходной слой нейронов */
/* Но мы покажем, что сеть может работеть и с несколькими слоями с различным кол-вом нейронов внутри */
/* Кстати, при увеличении кол-ва скрытых слоев придется подкрутить и настройки обучения */
double input[4][2] = {{0, 0}, {0, 1}, {1, 0}, {1, 1}};
double desired_output[4][1] = {{0}, {1}, {1}, {0}};
double learning_rate = 3;
/* Тренируем сеть 300 раз */
int i;
for (i = 0; i < 300; i++) {
network_train(&net, input[0], desired_output[0], learning_rate);
network_train(&net, input[1], desired_output[1], learning_rate);
network_train(&net, input[2], desired_output[2], learning_rate);
network_train(&net, input[3], desired_output[3], learning_rate);
}
/* Проверяем результат обучения */
for (i = 0; i < 4; i++) {
test(&net, input[i], desired_output[i]);
}
return 0;
}
C
INFO