Regional-and-Online-Learnable-Fields

"Rolf" ist ein einfaches Neuronen-Gas, das versucht einen Input möglichst gut nachzubilden.

Neuronen Model

Jedes Neuron wird durch die folgenden Größen beschrieben.

• wk : Das Gewicht, welches ein Vektor ist.
• rk : Der Radius

Algorithmus

Der Algorithmus arbeitet auf die folgende weise.

• 1. Zu beginn wird die Entfernung von allen Neuronen wk zum Input X ermittelt.
     
     
• 2. Geuscht ist jetzt das Neuron wk bei dem der Abstand, zum Input, kleiner als rho*rk ist. Wobei rho ein Parameter ist der vorher festgelegt wird.
     
     
• 3. Wird kein Neuron gefunden, so wird der Input X zu einem Neuron. Ansonsten wird das Neuron wk in die Richtung von X verschoben und der Radius rk ebenfalls angepasst.

Implementierung & Einfaches Beispiel

Zu begin erstellen wir ein Pythonfile. In unserem Fall heist es QuickStart.py. In diesem Fügen wir den folgenden Code hinzu

from RolfNet import *


###########  Definition Model ###########

Neurons={    }
rho=1
etac, etas=0.1,0.005
Nrun=100
info="""

Test model to check workflow

"""

• Neurons ist ein Dictonary aus den Neuronen.
• Nrun ist die Anzahl an Trainingsdurchläufen
• etac,etas ist die Lernrate

Als nächstes definieren wir die Trainingsbeispiele.

########    Data to Train ###########

#  Represent the logic AND

Sampels=[
        [0,0,0],
        [1,1,1],
        [1,0,0],
        [0,1,0]
    ]

Die obigen Beispile entsprechen einem logischen AND .

Das Training erfolgt mit dem Code.

########  Train Model #####


TrainModell(Neurons, Sampels, rho, etac, etas, Nrun )

Zum Schluss bleibt nur noch das Speichern des Trainierten Models.

###########Save Model###########################

file="TestModel.pkl"
StoreModel(Neurons, rho,etac, etas,Nrun,info, file)

Modele werden in dem .pkl format abgespeichert.

Prediction

Eine Vorherage kann mit unserem Trainierten Model auf die folgende weise gemacht werden

######## Load Model #############

Model=LoadModel("TestModel.pkl")
x=[1,1,None]

print(MakePrediction(Model,x) )

Zu beginn laden wir das Model. Anschließend legen wir den Input vektor fest x fest. Die Größen, welche wir nicht kennen werden mit None belegt.

Die Vorhersage funktion sucht das beste Neuron, das zum dem Input x passt.

Die Ausgabe ist:

[1.0, 1.0, 1.0]

Litratur

David Kriesel ; Ein kleiner überblick über Neuronale Netze ; 2005