def __init__(self, config, net, domain_index):
super(Domain, self).__init__(config, net, domain_index)
self.ticks = 0
self.synapse_count_by_domain = {}
self.spike_learn_threshold \
= self.net.config['synapse'].get('spike_learn_threshold', 0)
self.spike_forget_threshold \
= self.net.config['synapse'].get('spike_forget_threshold', 0)
self.learn_rate \
= self.net.config['synapse'].get('learn_rate', 0)
self.learn_threshold \
= self.net.config['synapse'].get('learn_threshold', 0)
self.layers = []
self.layers_vector = LayersVector()
# domain layers config
self.layers_config = deepcopy(self.config['layers'])
# neurons vector. Metadata stored in layer.neurons_metadata
self.neurons = NeuronsVector()
self.remote_neuron_address = -1
self.remote_neurons_metadata = NeuronsExtendableMetadata(0)
# synapses vector
self.synapse_address = -1
self.synapses = SynapsesVector(
0, self.net.config['synapse']['max_level'])
self.synapses_metadata = None
self.random = random.Random()
self.seed = uuid.uuid4().hex
self.pre_synapse_index = None
self.post_synapse_index = None
self.device = getattr(
device,
self.config['device'].get('type', 'OpenCL')
)(self.config['device'])
self.cache = {}
# stats for domain (number of spikes)
self.stat_vector = Vector()
# fields:
# 0 - total spikes (one per neuron) per self.config['stat_size'] ticks
# 1 - number of the dead neurons
# 2 - number of synapses with flag IS_STRENGTHENED
# 3 - neurons tiredness = sum(layer.max_vitality - neuron.vitality)
# 4 - synapse learn level
self.stat_fields = 5
stat_metadata = Metadata(
(1, self.stat_fields),
types.stat
)
self.stat_vector.add(stat_metadata)
# stats for vectors
self.layers_stat = Vector()
self.transmitter_index = TransmitterIndex()
self.receiver_index = ReceiverIndex()
self.output_index = OutputIndex()
logging.debug('Domain created (name: %s)', self.name)
def __init__(self, length, data):
self.key = Vector()
self.value = Vector()
meta_key = Metadata((length, 1), types.address)
meta_value = Metadata((len(data), 1), types.address)
self.key.add(meta_key)
self.key.fill(null)
self.value.add(meta_value)
self.value.fill(null)
for value_address, key_address in enumerate(data):
prev_value_address = self.key.data[key_address]
self.key.data[key_address] = value_address
self.value.data[value_address] = prev_value_address
def __init__(self):
self.address = Vector()
self.meta_address = ExtendableMetadata((0, 1), types.address)
self.address.add(self.meta_address)
self.data = Vector()
self.meta_data = ExtendableMetadata((0, 1), types.output)
self.data.add(self.meta_data)
self.tick = Vector()
self.meta_tick = ExtendableMetadata((0, 1), types.tick)
self.tick.add(self.meta_tick)
self.pos = -1
self.cache = []
def __init__(self, data=None):
self.local_address = Vector()
self.meta_local_address = ExtendableMetadata((0, 1), types.address)
self.local_address.add(self.meta_local_address)
self.is_spiked = Vector()
self.meta_is_spiked = ExtendableMetadata((0, 1), types.neuron_flags)
self.is_spiked.add(self.meta_is_spiked)
self.key = Vector()
self.meta_key = ExtendableMetadata((0, 1), types.address)
self.key.add(self.meta_key)
self.value = Vector()
self.meta_value = ExtendableMetadata((0, 1), types.address)
self.value.add(self.meta_value)
self.remote_domain = Vector()
self.meta_remote_domain \
= ExtendableMetadata((0, 1), types.medium_address)
self.remote_domain.add(self.meta_remote_domain)
self.remote_address = Vector()
self.meta_remote_address = ExtendableMetadata((0, 1), types.address)
self.remote_address.add(self.meta_remote_address)
self.remote_receiver_index = Vector()
self.meta_remote_receiver_index \
= ExtendableMetadata((0, 1), types.address)
self.remote_receiver_index.add(self.meta_remote_receiver_index)
self.data = {}
self.address_to_key_index = {}
self.key_pos = -1
self.value_pos = -1
if data:
self.rebuild(data)
def __init__(self, data=None):
self.local_address = Vector()
self.meta_local_address = ExtendableMetadata((0, 1), types.address)
self.local_address.add(self.meta_local_address)
self.is_spiked = Vector()
self.meta_is_spiked = ExtendableMetadata((0, 1), types.neuron_flags)
self.is_spiked.add(self.meta_is_spiked)
self.meta_remote_domain \
= ExtendableMetadata((0, 1), types.medium_address)
self.remote_domain = Vector()
self.remote_domain.add(self.meta_remote_domain)
self.remote_address = Vector()
self.meta_remote_address = ExtendableMetadata((0, 1), types.address)
self.remote_address.add(self.meta_remote_address)
self.data = {}
self.address_to_index = {}
self.pos = -1
if data:
self.rebuild(data)
class Domain(DomainBase):
"""
Домен (Domain) - содержит один и более слоев состоящих из нейронов,
связанных друг с другом синапсами. Домен можно воспринимать как один процесс
в операционной системе, реализующий частично или полностью какой либо
функционал. В некоторых случаях домен может не содержать синапсов (например,
если домен является источником данных с сенсоров)
self.name: types.address - должен быть уникальным для всех доменов
self.ticks: types.tick - номер тика с момента запуска. При 32 битах и 1000
тиков в секунду переполнение произойдет через 49
дней. При 64 битах через 584 млн. лет.
self.spike_learn_threshold: types.tick - как близко друг к другу по времени
должен сработать pre и post нейрон, что бы
поменялся вес синапса в большую сторону.
0 - по умолчанию (сеть не обучается).
self.spike_forget_threshold: types.tick - насколько сильной должна быть
разница между pre.tick и post.tick что бы
уменьшился вес синапса.
0 - по умолчанию (сеть не забывает).
self.layers - список слоев (class Layer) домена
self.learn_rate: types.synapse_level - с какой скоростью увеличивается
synapse.learn если у нейронов синапса расстояние между
спайками меньше чем self.spike_learn_threshold
self.learn_threshold: types.synapse_level - какой максимальный уровень может
быть у synapse.learn. При спайке synapse.learn
суммируется с synapse.level (кратковременная память)
и суммарный сигнал передается post-нейрону.
Минимальный уровень у synapse.learn == 0. При первом
достижении максимального уровня синапс должен
одноразово усиливаться (долговременная память).
Жеательно что бы выполнялось условие:
0 <= spike_learn_threshold <= spike_forget_threshold <= types.tick.max
"""
def __init__(self, config, net, domain_index):
super(Domain, self).__init__(config, net, domain_index)
self.ticks = 0
self.synapse_count_by_domain = {}
self.spike_learn_threshold \
= self.net.config['synapse'].get('spike_learn_threshold', 0)
self.spike_forget_threshold \
= self.net.config['synapse'].get('spike_forget_threshold', 0)
self.learn_rate \
= self.net.config['synapse'].get('learn_rate', 0)
self.learn_threshold \
= self.net.config['synapse'].get('learn_threshold', 0)
self.layers = []
self.layers_vector = LayersVector()
# domain layers config
self.layers_config = deepcopy(self.config['layers'])
# neurons vector. Metadata stored in layer.neurons_metadata
self.neurons = NeuronsVector()
self.remote_neuron_address = -1
self.remote_neurons_metadata = NeuronsExtendableMetadata(0)
# synapses vector
self.synapse_address = -1
self.synapses = SynapsesVector(
0, self.net.config['synapse']['max_level'])
self.synapses_metadata = None
self.random = random.Random()
self.seed = uuid.uuid4().hex
self.pre_synapse_index = None
self.post_synapse_index = None
self.device = getattr(
device,
self.config['device'].get('type', 'OpenCL')
)(self.config['device'])
self.cache = {}
# stats for domain (number of spikes)
self.stat_vector = Vector()
# fields:
# 0 - total spikes (one per neuron) per self.config['stat_size'] ticks
# 1 - number of the dead neurons
# 2 - number of synapses with flag IS_STRENGTHENED
# 3 - neurons tiredness = sum(layer.max_vitality - neuron.vitality)
# 4 - synapse learn level
self.stat_fields = 5
stat_metadata = Metadata(
(1, self.stat_fields),
types.stat
)
self.stat_vector.add(stat_metadata)
# stats for vectors
self.layers_stat = Vector()
self.transmitter_index = TransmitterIndex()
self.receiver_index = ReceiverIndex()
self.output_index = OutputIndex()
logging.debug('Domain created (name: %s)', self.name)
def deploy_layers(self):
"""
Create layers
"""
logging.debug('Deploy domain (name: %s)', self.name)
for layer_config in self.layers_config:
layer = Layer(layer_config)
self.neurons.add(layer.neurons_metadata)
layer.address = layer.neurons_metadata.address
self.layers.append(layer)
layer_config['layer'] = layer
self.layers_vector.add(layer.layer_metadata)
layer_stat_metadata = Metadata(
(1, self.stat_fields),
types.stat
)
self.layers_stat.add(layer_stat_metadata)
self.neurons.add(self.remote_neurons_metadata)
for layer_config in self.layers_config:
for connect in layer_config.get('connect', []):
connect['domain_layers'] = []
for layer in self.layers:
for connect in layer_config.get('connect', []):
if connect['name'] == layer.name:
connect['domain_layers'].append(layer)
logging.debug('Allocate layers vector')
for layer_name, layer in enumerate(self.layers):
self.layers_vector.threshold[layer_name] = layer.threshold
self.layers_vector.relaxation[layer_name] = layer.relaxation
self.layers_vector.spike_cost[layer_name] = layer.spike_cost
self.layers_vector.max_vitality[layer_name] = layer.max_vitality
def deploy_neurons(self):
"""
Create neurons
"""
logging.debug(
'Total %s local neurons in domain',
len(self.neurons)
)
self.create_neurons()
def pre_deploy_synapses(self):
"""
Init synapses vector
"""
# allocate synapses buffer in memory
self.synapses_metadata = SynapsesMetadata(0)
self.synapses.add(self.synapses_metadata)
def deploy_synapses_async(self):
"""
Async version of deploy_synapses
"""
ret = self.create_synapses()
# Create synapses
if isinstance(ret, GeneratorType):
for res in ret:
yield res
domain_total_synapses = self.synapse_count_by_domain.get(self.name, 0)
if not domain_total_synapses:
logging.warn('No synapses in domain %s', self.name)
logging.debug(
'Total %s local synapses in domain',
domain_total_synapses
)
def deploy_synapses(self):
"""
Create synapses
"""
list(self.deploy_synapses_async())
def post_deploy_synapses(self):
"""
Run after all domains is synced
"""
# sync length between synapses multifield metadata fields
self.synapses_metadata.sync_length(self.synapse_address+1)
# sync self.neurons length after adding remote neurons
self.remote_neurons_metadata.sync_length(self.remote_neuron_address+1)
logging.debug(
'Total %s neurons in domain %s',
len(self.neurons),
self.name
)
logging.debug(
'Total %s synapses in domain %s',
len(self.synapses),
self.name
)
def deploy_indexes(self):
"""
Create indexes
"""
# create pre-neuron - synapse index
logging.debug('Create pre-neuron - synapse index')
self.pre_synapse_index = SynapsesIndex(
len(self.neurons), self.synapses.pre)
# create post-neuron - synapse index
logging.debug('Create post-neuron - synapse index')
self.post_synapse_index = SynapsesIndex(
len(self.neurons), self.synapses.post)
self.transmitter_index.shrink()
self.receiver_index.shrink()
logging.debug('Create output indexes')
for layer in self.layers:
self.output_index.add(layer)
self.output_index.shrink()
def deploy_device(self):
"""
Upload data to device
"""
logging.debug('Upload data to device')
for vector in [
self.layers_vector,
self.neurons,
self.synapses,
self.pre_synapse_index,
self.post_synapse_index,
self.stat_vector,
self.layers_stat,
self.transmitter_index,
self.receiver_index,
self.output_index,
]:
vector.create_device_data_pointer(self.device)
logging.debug('Domain deployed (name: %s)', self.name)
def create_synapses(self):
"""
Создаем физически синапсы
"""
logging.debug('Create synapses')
# Domains synapses
return self.connect_layers()
def connect_layers(self):
"""
Реализует непосредственное соединение слоев
"""
self.random.seed(self.seed)
layer_config_by_name = {}
total_synapses = self.synapse_count_by_domain
# cache
self_connect_neurons = self.connect_neurons
for layer_config in self.net.config['layers']:
layer_config_by_name[layer_config['name']] = layer_config
domain_index_to_name = []
for domain_index, domain in enumerate(self.net.config['domains']):
domain_index_to_name.append(domain['name'])
total_synapses[domain['name']] = 0
if domain['name'] == self.name:
pre_domain_index = domain_index
# cache neuron -> domain and neuron -> layer in domain
if 'layer' not in self.cache:
self.cache['layer'] = {}
for layer_config in self.net.config['layers']:
# heihgt x width x z,
# where z == 0 is domain index in net and
# z == 1 is layer index in domain
self.cache['layer'][layer_config['name']] = \
np.zeros(
(layer_config['height'], layer_config['width'], 2),
dtype=np.int
)
self.cache['layer'][layer_config['name']] \
.fill(np.iinfo(np.int).max)
for domain_index, domain in enumerate(self.net.config['domains']):
layer_index = -1
for layer in domain['layers']:
layer_index += 1
layer = deepcopy(layer)
layer_config = layer_config_by_name[layer['name']]
shape = layer.get(
'shape',
[0, 0, layer_config['width'], layer_config['height']]
)
if shape[0] < 0:
shape[0] = 0
if shape[1] < 0:
shape[1] = 0
if shape[0] + shape[2] > layer_config['width']:
shape[2] = layer_config['width'] - shape[0]
if shape[1] + shape[3] > layer_config['height']:
shape[3] = layer_config['height'] - shape[1]
layer_cache = \
self.cache['layer'][layer_config['name']]
for y in xrange(shape[1], shape[1] + shape[3]):
layer_cache_y = layer_cache[y]
for x in xrange(shape[0], shape[0] + shape[2]):
layer_cache_y[x][0] = domain_index
layer_cache_y[x][1] = layer_index
# start connecting
pre_layer_index = -1
async_time = time.time()
for layer_config in self.layers_config:
pre_layer_index += 1
# no connections with other layers
if not layer_config.get('connect'):
continue
# pre layer. Connect only neurons in this domain
layer = layer_config['layer']
# precache method
layer_to_address = layer.neurons_metadata.level.to_address
for connect in layer_config.get('connect', []):
shift = connect.get('shift', [0, 0])
if callable(shift[0]):
def shift_x():
return shift[0]()
else:
def shift_x():
return shift[0]
if callable(shift[1]):
def shift_y():
return shift[1]()
else:
def shift_y():
return shift[1]
post_layer_config = layer_config_by_name[connect['name']]
post_info_cache = self.cache['layer'][post_layer_config['name']]
radius = connect.get('radius', max(
int(1.0 * layer_config['width'] \
/ post_layer_config['width'] / 2),
int(1.0 * layer_config['height'] \
/ post_layer_config['height'] / 2)
) + 1)
def pre_layer_coords():
for pre_y in xrange(layer.y, layer.y + layer.height):
for pre_x in xrange(layer.x, layer.x + layer.width):
yield pre_y, pre_x
for pre_y, pre_x in pre_layer_coords():
# Determine post x coordinate of neuron in post layer.
# Should be recalculated for every y because of possible
# random shift
if time.time() - async_time > 0.1:
async_time = time.time()
yield (pre_y, layer.width)
pre_neuron_address = layer_to_address(
pre_x - layer.x,
pre_y - layer.y
)
central_post_x = int(math.floor(
1.0 * pre_x / (layer_config['width']) \
* (post_layer_config['width'])
+ (post_layer_config['width'] \
/ layer_config['width'] / 2.0)
)) + shift_x()
# determine post y coordinate of neuron in post layer
central_post_y = int(math.floor(
1.0 * pre_y / (layer_config['height']) \
* (post_layer_config['height'])
+ (post_layer_config['height'] \
/ layer_config['height'] / 2.0)
)) + shift_y()
# for all neurons (in post layer) inside of the
# connect['radius'] with given central point
post_from_range_x = central_post_x - (radius - 1)
post_to_range_x = central_post_x + (radius - 1) + 1
if post_from_range_x < 0:
post_from_range_x = 0
if post_from_range_x >= post_layer_config['width']:
continue
if post_to_range_x < 0:
continue
if post_to_range_x > post_layer_config['width']:
post_to_range_x = post_layer_config['width']
post_from_range_y = central_post_y - (radius - 1)
post_to_range_y = central_post_y + (radius - 1) + 1
if post_from_range_y < 0:
post_from_range_y = 0
if post_from_range_y >= post_layer_config['height']:
continue
if post_to_range_y < 0:
continue
if post_to_range_y > post_layer_config['height']:
post_to_range_y = post_layer_config['height']
def post_layer_coords():
# for neurons in post layer
for post_y in xrange(
post_from_range_y,
post_to_range_y
):
post_info_cache_y = post_info_cache[post_y]
for post_x in xrange(
post_from_range_x,
post_to_range_x
):
inf = post_info_cache_y[post_x]
yield post_x, post_y, inf
for post_x, post_y, inf in post_layer_coords():
try:
# inf[0] - domain index
post_info_domain_name = domain_index_to_name[inf[0]]
except IndexError:
continue
# actually create connections
if post_info_domain_name == self.name:
# inf[1] - post layer index in domain
post_layer = self.layers[inf[1]]
self.synapse_address += 1
self_connect_neurons(
pre_neuron_address,
post_layer.neurons_metadata.level.to_address(
post_x - post_layer.x,
post_y - post_layer.y
),
self.synapse_address
)
else:
# connect neurons with other domains
self.connect_remote_neurons(
pre_domain_index,
pre_layer_index,
pre_neuron_address,
int(inf[0]), # post domain index
int(inf[1]), # post layer index
post_x,
post_y
)
total_synapses[post_info_domain_name] += 1
def create_neurons(self):
"""
Создаем физически нейроны в ранее созданном векторе
"""
logging.debug('Create neurons')
for layer in self.layers:
layer.create_neurons()
def connect_neurons(self, pre_address, post_address, synapse_address):
"""
Соединяем два нейрона с помощью синапса.
"""
# Speedup this:
# synapses = self.synapses_metadata
# synapses.pre[synapse_address] = pre_address
# synapses.post[synapse_address] = post_address
synapses_vector = self.synapses
synapses_metadata = self.synapses_metadata
if synapse_address >= synapses_metadata.pre.length:
synapses_metadata.pre.resize()
synapses_metadata.post.resize()
synapses_vector.pre.data[synapse_address] = pre_address
synapses_vector.post.data[synapse_address] = post_address
def connect_remote_neurons(
self,
pre_domain_index, pre_layer_index, pre_neuron_address,
post_domain_index, post_layer_index, post_x, post_y
):
"""
Соединяем локальный нейрон с нейроном в другом домене
self == pre_domain
"""
# local pre neuron is transmitter
self.neurons.flags[pre_neuron_address] |= IS_TRANSMITTER
# get post_neuron_domain
domain = self.net.domains[post_domain_index]
# connect pre neuron with post neuron in post_neuron_domain
domain.send_synapse(
pre_domain_index, pre_layer_index, pre_neuron_address,
post_layer_index, post_x, post_y)
def send_synapse_pack(self, bytes=None):
"""
Получаем сгруппированные данные и синапсах из удаленного домена
"""
if not bytes:
return
packet = TransmitterVector()
packet.from_bytes(bytes)
for pos in range(packet.length):
self.send_synapse(
packet.pre_domain_index.data[pos],
packet.pre_layer_index.data[pos],
packet.pre_neuron_address.data[pos],
packet.post_layer_index.data[pos],
packet.post_x.data[pos],
packet.post_y.data[pos]
)
# досылаем остатки
for domain in self.net.domains:
if isinstance(domain, RemoteDomainBase):
domain.send_receiver_index_pack()
def send_synapse(
self,
pre_domain_index, pre_layer_index, pre_neuron_address,
post_layer_index, post_x, post_y):
"""
Обрабатываем информацию о синапсе из другого домена
self == post_domain
"""
pre_domain = self.net.domains[pre_domain_index]
pre_layer = pre_domain.layers[pre_layer_index]
post_layer = self.layers[post_layer_index]
local_pre_neuron_address \
= self.receiver_index.get_local_address(
pre_domain_index, pre_neuron_address)
# create IS_RECEIVER neuron
if not local_pre_neuron_address:
self.remote_neuron_address += 1
# add pre_neuron to domain.remote_neurons_metadata if not added (use
# create_neuron function)
create_neuron(self.remote_neuron_address,
self.remote_neurons_metadata,
pre_layer,
pre_layer_index)
# get local_pre_neuron_address
local_pre_neuron_address = self.remote_neurons_metadata.level \
.to_address(self.remote_neuron_address, 0)
if not self.receiver_index.add(
local_pre_neuron_address,
pre_domain_index,
pre_neuron_address
):
self.stat_inc('receiver_index_again')
local_pre_neuron_receiver_index = self.receiver_index.pos
# set IS_RECEIVER flag to pre_neuron
self.remote_neurons_metadata.flags[self.remote_neuron_address] \
|= IS_RECEIVER
# send local_pre_neuron_address back to source domain (pre_domain)
pre_domain.send_receiver_index(self.index, pre_neuron_address,
local_pre_neuron_address,
local_pre_neuron_receiver_index)
self.stat_inc('total_receiver_neurons')
self.stat_set('send_synapse_time', datetime.datetime.utcnow())
# get synapse_address
self.synapse_address += 1
self.connect_neurons(
local_pre_neuron_address,
post_layer.neurons_metadata.level.to_address(
post_x - post_layer.x,
post_y - post_layer.y
),
self.synapse_address
)
def send_receiver_index_pack(self, bytes=None):
"""
Получаем сгруппированные данные из удаленного домена
"""
if not bytes:
return
packet = ReceiverVector()
packet.from_bytes(bytes)
for pos in xrange(packet.length):
self.send_receiver_index(
packet.post_domain_index.data[pos],
packet.pre_neuron_address.data[pos],
packet.remote_pre_neuron_address.data[pos],
packet.remote_pre_neuron_receiver_index.data[pos]
)
def send_receiver_index(self, post_domain_index, pre_neuron_address,
remote_pre_neuron_address,
remote_pre_neuron_receiver_index):
"""
Запоминаем remote_neuron_address (IS_RECEIVER) для pre_neuron_address
(IS_TRANSMITTER)
self == pre_domain
"""
pre_domain = self
if not pre_domain.transmitter_index.add(
pre_neuron_address, post_domain_index, remote_pre_neuron_address,
remote_pre_neuron_receiver_index
):
pre_domain.stat_inc('transmitter_index_again')
pre_domain.stat_inc('total_transmitter_neurons')
pre_domain.stat_set('send_receiver_index_time',
datetime.datetime.utcnow())
def send_spikes(self):
"""
Получаем спайки из устройства (device) и отправляем их в другие домены.
"""
# step 4
self.device.tick_transmitter_index(self)
# step 5
self.transmitter_index.is_spiked.from_device(self.device)
index = self.transmitter_index
domains = self.net.domains
remote_domain_data = index.remote_domain.data
remote_receiver_index_data = index.remote_receiver_index.data
register_spike = [domain.register_spike for domain in domains]
for i, is_spiked in enumerate(index.is_spiked.data):
if not is_spiked:
continue
receiver_neuron_index = remote_receiver_index_data[i]
register_spike[remote_domain_data[i]](receiver_neuron_index)
for post_domain in self.net.domains:
if post_domain != self:
# если post_domain локальный, то ничего не произойдет
# если post_domain удаленный и у него накопились спайки,
# то он опубликует эти спайки
post_domain.register_spike_pack()
def receive_spikes(self):
"""
Получаем спайки из других доменов, формируем receiver index и копируем
его в устройство (device).
"""
# step 3
# send to device info about new spikes
self.receiver_index.is_spiked.to_device(self.device)
self.device.tick_receiver_index(self)
# get is_spiked filled with 0
self.receiver_index.is_spiked.from_device(self.device)
def register_spike_pack(self, bytes=None):
"""
Обрабатываем спайки из удаленных доменов
"""
if not bytes:
return
packet = SpikesVector()
packet.from_bytes(bytes)
self.stat_inc('spikes_received', packet.length)
# speedup for commented version
#for pos in range(packet.length):
# self.register_spike(
# packet.receiver_neuron_index.data[pos],
# )
self.receiver_index.is_spiked.data[packet.receiver_neuron_index.data] \
= 1
def register_spike(self, receiver_neuron_index):
"""
Записывает в домен пришедший спайк
"""
# step 2
self.receiver_index.is_spiked.data[receiver_neuron_index] = 1
def register_input_layer_data(self, layer_index, data):
"""
Регистрирует данные (в виде обычного или сериализованного numpy
массива), пришедшие из других доменов.
"""
if isinstance(self.device, device.IOBase):
self.register_input_layer_data = self._register_input_io_data
else:
self.register_input_layer_data = self._register_input_layer_data
return self.register_input_layer_data(layer_index, data)
def _register_input_layer_data(self, layer_index, data):
"""
Регистрирует данные (в виде обычного или сериализованного numpy
массива), пришедшие из других доменов.
"""
self.layers[layer_index].register_input_data(data, self.ticks)
def _register_input_io_data(self, layer_index, data):
"""
Сохраняет данные (в виде обычного или сериализованного numpy массива)
для использования в IO устройствах, пришедшие из других доменов.
"""
self.device.register_input_data(layer_index, data, self.ticks)
def tick(self):
"""
Один tick домена.
0.
- self.ticks++
- self.total_spikes = 0 (эта информация накапливается в
domain.stat_vector для поля 0)
1. по всем слоям layer:
- layer.total_spikes = 0 (эта информация накапливается в
domain.layers_stat для поля 0)
и по всем нейронам neuron в слое layer (device):
- если neuron.flags & IS_DEAD - не обсчитываем нейрон
- если флаг IS_SPIKED уже установлен - снимаем
- если это IS_RECEIVER - заканчиваем обсчет нейрона
- если neuron.level >= layer.threshold:
- у neuron.flags устанавливаем флаг IS_SPIKED,
- layer.total_spikes++
- domain.total_spikes++
- обнуляем neuron.level (либо уменьшаем neuron.level на
layer.threshold, что бы можно было сделать генераторы
импульсов. Тут надо подумать.)
- neuron.tick = domain.tick
в противном случае:
- neuron.level -= layer.relaxation
- если neuron.level < 0, то neuron.level = 0
2. по всем сообщениям о спайках пришедшим из других доменов (cpu):
- если сообщений не было - пропускаем шаг 3.
- в противном случае формируем receiver index и копируем его в
устройство (device)
3. по всем записям в receiver index (device):
- устанавливаем флаг IS_SPIKED у нейрона по адресу index.address[i]
4. по всем записям в transmitter index (device):
- если по адресу index.address у нейрона neuron.flags & IS_SPIKED,
устанавливаем флаг IS_SPIKED у index.flags, в противном случае
снимаем флаг
5. получаем из устройства (device) transmitter index (cpu):
- формируем сообщения для тех нейронов, у которых произошел спайк и
асинхронно отправляем их в другие домены.
6. по всем записям в pre_synapse_index.key (device):
- если pre_synapse_index.key[i] == null - заканчиваем обсчет
- если neuron.flags & IS_DEAD - обнуляем все синапсы
(synapse.level = 0)
- если не neuron.flags & IS_SPIKED, то заканчиваем обсчет
- по всем записям в pre_synapse_index.value, относящимся к
pre_synapse_index.key[i]:
- если synapse.level == 0 - считаем что синапс мертв и не
обсчитываем дальше внутренний цикл
- если post.flags & IS_DEAD - удаляем синапс (synapse.level = 0)
и не обсчитываем дальше внутренний цикл
- если дошли до этого места, то neuron.flags & IS_SPIKED и
делаем:
- post.level += (neuron.flags & IS_INHIBITORY ?
-synapse.level : synapse.level)
# Обучение синапсов к post нейронам
- если neuron.tick - post.tick
< domain.spike_learn_threshold,
то увеличиваем вес синапса. Вес можно увеличивать,
например, как f(neuron.tick - post.tick), либо на
фиксированное значение
- если neuron.tick - post.tick
>= domain.spike_forget_threshold,
то уменьшаем вес синапса. Вес можно уменьшать, например,
как f(neuron.tick - post.tick), либо на фиксированное
значение
- по всем записям в post_synapse_index.value, относящимся к
post_synapse_index.key[i]:
- если synapse.level == 0 - считаем что синапс мертв и не
обсчитываем дальше внутренний цикл
- если pre.flags & IS_DEAD - удаляем синапс (synapse.level = 0)
и не обсчитываем дальше внутренний цикл
# Обучение синапсов от pre нейронов
- если neuron.tick - pre.tick <= domain.spike_learn_threshold,
то увеличиваем вес синапса. Вес можно увеличивать, например,
как f(neuron.tick - pre.tick), либо на фиксированное значение
- если neuron.tick - pre.tick >= domain.spike_forget_threshold,
то уменьшаем вес синапса. Вес можно уменьшать, например, как
f(neuron.tick - pre.tick), либо на фиксированное значение
"""
# step 0
self.ticks += 1
self.stat_set('ticks', self.ticks)
# step 1
self.device.tick_neurons(self)
# step 2 & 3
self.receive_spikes()
# step 4 & 5
self.send_spikes()
# step 6
self.device.tick_synapses(self)
def clean(self):
self.device.clean()
class OutputIndex(object):
"""
Индекс всех output нейронов. С помощью этого индекса генерится numpy массив
в котором спайки переводятся в числа. Чем выше частота спайков у нейрона,
тем больше будет число.
i = 0..количество output нейронов
address[i] - адрес output нейрона
data[i] - результат перевода спайков в число. Если спайка небыло - число
уменьшается на 1 пока не станет равным нулю. Если спайк был, смотрим
разницу между текущим тиком домена и предыдущим в tick[i] и переводим
разницу в число
tick[i] - тик при котором был предыдущий спайк нейрона.
"""
def __init__(self):
self.address = Vector()
self.meta_address = ExtendableMetadata((0, 1), types.address)
self.address.add(self.meta_address)
self.data = Vector()
self.meta_data = ExtendableMetadata((0, 1), types.output)
self.data.add(self.meta_data)
self.tick = Vector()
self.meta_tick = ExtendableMetadata((0, 1), types.tick)
self.tick.add(self.meta_tick)
self.pos = -1
self.cache = []
def add(self, layer):
"""
Добавляет все нейроны из layer в индекс
"""
if not layer.config.get('output'):
return
neurons_metadata = layer.neurons_metadata
neurons_metadata_address = neurons_metadata.address
self.cache.append([
self.pos + 1,
len(layer),
layer.config['output']
])
for i in xrange(len(layer)):
self.pos += 1
index = self.pos
self.meta_address[index] = neurons_metadata_address + i
self.meta_data[index] = 0
self.meta_tick[index] = 0
def data_to_send(self):
ret = []
for pos, length, source_id in self.cache:
ret.append([source_id, self.data.data[pos:pos + length]])
return ret
def clear(self):
self.pos = -1
for meta in [self.meta_address, self.meta_data, self.meta_tick]:
meta.resize(length=0)
def shrink(self):
for vector in [self.address, self.data, self.tick]:
vector.shrink()
def create_device_data_pointer(self, device):
"""
Создание указателей на данные на устройстве
"""
self.address.create_device_data_pointer(device)
self.data.create_device_data_pointer(device)
self.tick.create_device_data_pointer(device)
def to_device(self, device):
"""
Загрузка на устройство
"""
self.address.to_device(device)
self.data.to_device(device)
self.tick.to_device(device)
def from_device(self, device):
"""
Выгрузка с устройства
"""
self.address.from_device(device)
self.data.from_device(device)
self.tick.from_device(device)
class TransmitterIndex(object):
"""
Индекс передающих нейронов
i = 0..количество IS_TRANSMITTER нейронов
j = 0..количество IS_RECEIVER нейронов
local_address[i] - адрес IS_TRANSMITTER нейрона в domain.neurons
is_spiked[i] - признак того, что нужно передать спайк, то же самое что и
neuron.flags & IS_SPIKED && !(neuron.flags & IS_DEAD)
key[i] - адрес первого элемента в цепочке value[j]
value[j] - следующий адрес IS_RECEIVER нейрона в удаленном домене или null
если адрес последний
remote_domain[j] - домен IS_RECEIVER нейрона
remote_address[j] - адрес IS_RECEIVER нейрона в удаленнном домене
remote_receiver_index[j] - адрес IS_RECEIVER нейрона в
post_domain.receive_index
"""
def __init__(self, data=None):
self.local_address = Vector()
self.meta_local_address = ExtendableMetadata((0, 1), types.address)
self.local_address.add(self.meta_local_address)
self.is_spiked = Vector()
self.meta_is_spiked = ExtendableMetadata((0, 1), types.neuron_flags)
self.is_spiked.add(self.meta_is_spiked)
self.key = Vector()
self.meta_key = ExtendableMetadata((0, 1), types.address)
self.key.add(self.meta_key)
self.value = Vector()
self.meta_value = ExtendableMetadata((0, 1), types.address)
self.value.add(self.meta_value)
self.remote_domain = Vector()
self.meta_remote_domain \
= ExtendableMetadata((0, 1), types.medium_address)
self.remote_domain.add(self.meta_remote_domain)
self.remote_address = Vector()
self.meta_remote_address = ExtendableMetadata((0, 1), types.address)
self.remote_address.add(self.meta_remote_address)
self.remote_receiver_index = Vector()
self.meta_remote_receiver_index \
= ExtendableMetadata((0, 1), types.address)
self.remote_receiver_index.add(self.meta_remote_receiver_index)
self.data = {}
self.address_to_key_index = {}
self.key_pos = -1
self.value_pos = -1
if data:
self.rebuild(data)
def add(self, local_address, remote_domain_index, remote_address,
remote_receiver_index):
"""
Добавляет один элемент в индекс
"""
if local_address in self.data \
and remote_domain_index in self.data[local_address]:
return False
key_index = self.address_to_key_index.get(local_address)
if key_index is None:
self.key_pos += 1
self.data[local_address] = {}
self.address_to_key_index[local_address] = self.key_pos
key_index = self.key_pos
self.meta_key[key_index] = null
self.meta_is_spiked[key_index] = 0
self.meta_local_address[key_index] = local_address
self.value_pos += 1
value_index = self.value_pos
prev_value_index = self.meta_key[key_index]
self.meta_key[key_index] = value_index
self.meta_value[value_index] = prev_value_index
self.meta_remote_domain[value_index] = remote_domain_index
self.meta_remote_address[value_index] = remote_address
self.meta_remote_receiver_index[value_index] = remote_receiver_index
self.data[local_address][remote_domain_index] = (remote_address,
remote_receiver_index)
return True
def clear(self):
self.data = {}
self.key_pos = -1
self.value_pos = -1
self.address_to_key_index = {}
for meta in [self.meta_local_address,
self.meta_is_spiked, self.meta_key,
self.meta_value, self.meta_remote_domain,
self.meta_remote_address]:
meta.resize(length=0)
def rebuild(self, data):
"""
Перестраивает весь индекс
"""
# TODO: do not loose order in self.data
self.clear()
for local_address in data.keys():
for domain_index in data[local_address]:
remote_address, remote_receiver_index \
= data[local_address][domain_index]
self.add(local_address,
domain_index, remote_address, remote_receiver_index)
self.shrink()
def shrink(self):
for vector in [self.local_address, self.is_spiked,
self.key, self.value, self.remote_domain,
self.remote_address, self.remote_receiver_index]:
vector.shrink()
def create_device_data_pointer(self, device):
"""
Создание указателей на данные на устройстве
"""
self.local_address.create_device_data_pointer(device)
self.is_spiked.create_device_data_pointer(device)
def to_device(self, device):
"""
Загрузка на устройство
"""
self.local_address.to_device(device)
self.is_spiked.to_device(device)
def from_device(self, device):
"""
Выгрузка с устройства
"""
self.local_address.from_device(device)
self.is_spiked.from_device(device)
class ReceiverIndex(object):
"""
Индекс принимающих нейронов
i = 0..количество IS_RECEIVER нейронов
i - адрес IS_RECEIVER нейрона в индексе (этот адрес приходит из других
доменов)
local_address[i] - адрес IS_RECEIVER нейрона в domain.neurons
is_spiked[i] - информация о спайке IS_RECEIVER нейрона (ее мы будем полчать
из IS_TRANSMITTER нейрона в другом домене)
remote_domain[i] - домен IS_TRANSMITTER нейрона
remote_address[i] - адрес IS_TRANSMITTER нейрона в удаленнном домене
"""
def __init__(self, data=None):
self.local_address = Vector()
self.meta_local_address = ExtendableMetadata((0, 1), types.address)
self.local_address.add(self.meta_local_address)
self.is_spiked = Vector()
self.meta_is_spiked = ExtendableMetadata((0, 1), types.neuron_flags)
self.is_spiked.add(self.meta_is_spiked)
self.meta_remote_domain \
= ExtendableMetadata((0, 1), types.medium_address)
self.remote_domain = Vector()
self.remote_domain.add(self.meta_remote_domain)
self.remote_address = Vector()
self.meta_remote_address = ExtendableMetadata((0, 1), types.address)
self.remote_address.add(self.meta_remote_address)
self.data = {}
self.address_to_index = {}
self.pos = -1
if data:
self.rebuild(data)
def add(self, local_address, remote_domain_index, remote_address):
"""
Добавляет один элемент в индекс
"""
# self.data[remote_domain_index][remote_address] = local_address
if remote_domain_index in self.data \
and remote_address in self.data[remote_domain_index]:
return False
index = self.address_to_index.get(local_address)
if index:
return False
self.pos += 1
if remote_domain_index not in self.data:
self.data[remote_domain_index] = {}
self.data[remote_domain_index][remote_address] = local_address
self.address_to_index[local_address] = self.pos
index = self.pos
self.meta_is_spiked[index] = 0
self.meta_local_address[index] = local_address
self.meta_remote_domain[index] = remote_domain_index
self.meta_remote_address[index] = remote_address
return True
def clear(self):
self.data = {}
self.pos = -1
self.address_to_index = {}
for meta in [self.meta_local_address, self.meta_is_spiked,
self.meta_remote_domain,
self.meta_remote_address]:
meta.resize(length=0)
def rebuild(self, data):
"""
Перестраивает весь индекс
"""
# TODO: do not loose order in self.data
self.clear()
for remote_domain_index in data.keys():
for remote_address in data[remote_domain_index]:
self.add(data[remote_domain_index][remote_address],
remote_domain_index, remote_address)
self.shrink()
def shrink(self):
for vector in [self.local_address, self.is_spiked,
self.remote_domain, self.remote_address]:
vector.shrink()
def get_local_address(self, remote_domain_index, remote_address):
"""
Получаем локальный адрес IS_RECEIVER нейрона по адресу IS_TRANSMITTER
нейрона другого домена
"""
if remote_domain_index not in self.data:
return
return self.data[remote_domain_index].get(remote_address)
def create_device_data_pointer(self, device):
"""
Создание указателей на данные на устройстве
"""
self.local_address.create_device_data_pointer(device)
self.is_spiked.create_device_data_pointer(device)
def to_device(self, device):
"""
Загрузка на устройство
"""
self.local_address.to_device(device)
self.is_spiked.to_device(device)
def from_device(self, device):
"""
Выгрузка с устройства
"""
self.local_address.from_device(device)
self.is_spiked.from_device(device)
class SynapsesIndex(object):
"""
Создает индекс для поиска всех синапсов в self.value[j]
для каждого нейрона в self.key[i].
self.key - вектор ключей
self.value - вектор значений
j = self.key[i]
next_j = self.value[j]
Если next_j == data_types.null, то value[j] - последний элемент в цепочке.
"""
def __init__(self, length, data):
self.key = Vector()
self.value = Vector()
meta_key = Metadata((length, 1), types.address)
meta_value = Metadata((len(data), 1), types.address)
self.key.add(meta_key)
self.key.fill(null)
self.value.add(meta_value)
self.value.fill(null)
for value_address, key_address in enumerate(data):
prev_value_address = self.key.data[key_address]
self.key.data[key_address] = value_address
self.value.data[value_address] = prev_value_address
def __getitem__(self, key):
value_address = self.key[key]
ret = []
# possible infinite loop in malformed indexes
while value_address != null:
ret.append(value_address)
value_address = self.value[value_address]
if value_address == null:
return ret
return ret
def create_device_data_pointer(self, device):
"""
Создание указателей на данные на устройстве
"""
self.key.create_device_data_pointer(device)
self.value.create_device_data_pointer(device)
def to_device(self, device):
"""
Загрузка на устройство
"""
self.key.to_device(device)
self.value.to_device(device)
def from_device(self, device):
"""
Выгрузка с устройства
"""
self.key.from_device(device)
self.value.from_device(device)
