def rotate_geometry(self, angle):
# rotation_matrix = Matrix(2, 2)
a = math.radians(angle)
rotation_matrix = Matrix(2, 2)
# rotasyon matrisi hazırlanır
rotation_matrix.values[0][0] = math.cos(a)
rotation_matrix.values[0][1] = -math.sin(a)
rotation_matrix.values[1][0] = math.sin(a)
rotation_matrix.values[1][1] = math.cos(a)
for i in range(len(self.geometry)):
# ağırlık merkezi
cx = self.loc[0]
cy = self.loc[1]
input = Matrix(2, 1)
x = self.geometry[i][0] - cx
y = self.geometry[i][1] - cy
input.values[0][0] = x
input.values[1][0] = y
output = Matrix.matrix_product(rotation_matrix, input)
newX = output.values[0][0] + cx
newY = output.values[1][0] + cy
self.geometry[i] = newX, newY
def load_matrix(matrix):
r = matrix['rows']
c = matrix['columns']
values = matrix['values']
m = Matrix(r, c)
m.values = values
return m
def get_input_for_bird(bird):
input = Matrix(5, 1)
# input =
# [ closestColumn.upRect.x / screenW ]
# [ closestColumn.lowerLimitOfUpRect / screenH ]
# [ closestColumn.downRect.y / screenH ]
# [ bird.rect.y / screenH ]
# [ bird.velocity.y ]
input.values[0][0] = closestColumn.upRect.x / screenW
input.values[1][0] = closestColumn.lowerLimitOfUpRect / screenH
input.values[2][0] = closestColumn.downRect.x / screenH
input.values[3][0] = bird.rect.y / screenH
input.values[4][0] = bird.velocityY / bird.maxSpeed
return input
def think(self, boundaries):
input = Matrix(9, 1)
lidarData = self.get_lidar_data(boundaries)
# input =
# [ lidar 1 ]
# [ lidar 2 ]
# [ lidar 3 ]
# ...
# [ lidar 8 ]
# [ self.velocity / max velocity ]
for i in range(len(lidarData)):
input.values[i][0] = lidarData[i]
input.values[8][0] = self.velocity / Car.maxSpeed
output = self.brain.feedforward(input)
return output
def __init__(self, inputNeuronC, outputNeuronC, hiddenNeuronPerLayerC,
hiddenLayerC):
self.weights = []
self.biases = []
# sgd + momentum optimizasyonu için
# ağırlık ve sapmaların değişim hızlarını kayıt ediyoruz
# burdaki matrislerin boyutları karşılık gelen ağırlık-sapmalarıyla aynı olacak
self.Vweight = []
self.Vbias = []
# gradient decent metotdu ile eğitirken her katmanın girdi(input)
# ve çıktıları(output) lazım olacak bu yüzden bunları kayıt altına
# alıp güncellemek için özel listeler hazırlıyoruz
self.inputsForTrain = []
self.outputsForTrain = []
# ağırlık ve sapmalar verilen kurala görre ayarlanır:
# weight = Matrix(next_layer_neuronC, previus_layer_neuronC)
# bias = Matrix(next_layer_neuronC, 1)
# input - hidden
self.weights.append(Matrix(hiddenNeuronPerLayerC, inputNeuronC))
self.biases.append(Matrix(hiddenNeuronPerLayerC, 1))
self.Vweight.append(Matrix(hiddenNeuronPerLayerC, inputNeuronC))
self.Vbias.append(Matrix(hiddenNeuronPerLayerC, 1))
# hidden - hidden
for i in range(hiddenLayerC - 1):
# kaç saklı katman varsa onun 1 eksiği kadar aralarında ağırlık ve sapma vardır
self.weights.append(
Matrix(hiddenNeuronPerLayerC, hiddenNeuronPerLayerC))
self.biases.append(Matrix(hiddenNeuronPerLayerC, 1))
self.Vweight.append(
Matrix(hiddenNeuronPerLayerC, hiddenNeuronPerLayerC))
self.Vbias.append(Matrix(hiddenNeuronPerLayerC, 1))
# hidden - output
self.weights.append(Matrix(outputNeuronC, hiddenNeuronPerLayerC))
self.biases.append(Matrix(outputNeuronC, 1))
self.Vweight.append(Matrix(outputNeuronC, hiddenNeuronPerLayerC))
self.Vbias.append(Matrix(outputNeuronC, 1))
for i in range(hiddenLayerC + 1):
# nöron ağdaki bütün katman sayısı kadar "inputsForTrain" ve "outputsForTrain"
# değişkenlerine null mabında 0 değerini veriyoruz
# not:
# zaten feedforward sürecinde bu değişkenler değişeceği için 0 olması hataya sebep olmayacak
# lakin indislerle işlem yapabilmek adına listede hazırda eleman olması gerekir
self.inputsForTrain.append(0)
self.outputsForTrain.append(0)
self.randomize_weight_and_biases()
def __init__(self, inputNeuronC=1, outputNeuronC=1, hiddenNeuronPerLayerC=0, hiddenLayerC=0):
# BU ALAN DENEYSELDİR DEĞİŞEBİLİR
# hiç parametre verilmemiş ise hiç birşey yapmiyacak
# amacı ise json verisinden yüklenmek istenirse boşuna başlangıç
# verileri oluşturulmasın
if inputNeuronC + outputNeuronC + hiddenNeuronPerLayerC + hiddenLayerC == 2:
self.inputsForTrain = []
self.outputsForTrain = []
return
# parametre oygunluğu kontrol edilir
if inputNeuronC < 1 or outputNeuronC < 1 or hiddenNeuronPerLayerC < 0 or hiddenLayerC < 0:
raise Exception('çıktı ve girdi nöronları 1, diğeri 0 dan küçük olamaz')
# BU ALAN DENEYSELDİR DEĞİŞEBİLİR
# kontrol sonrası oluşturma işlemleri başlatılır
self.weights = []
self.biases = []
# sgd + momentum optimizasyonu için
# ağırlık ve sapmaların değişim hızlarını kayıt ediyoruz
# burdaki matrislerin boyutları karşılık gelen ağırlık-sapmalarıyla aynı olacak
self.Vweight = []
self.Vbias = []
# gradient decent metotdu ile eğitirken her katmanın girdi(input)
# ve çıktıları(output) lazım olacak bu yüzden bunları kayıt altına
# alıp güncellemek için özel listeler hazırlıyoruz
self.inputsForTrain = []
self.outputsForTrain = []
# ağırlık ve sapmalar verilen kurala görre ayarlanır:
# weight = Matrix(next_layer_neuronC, previus_layer_neuronC)
# bias = Matrix(next_layer_neuronC, 1)
# input - hidden
self.weights.append(Matrix(hiddenNeuronPerLayerC, inputNeuronC))
self.biases.append(Matrix(hiddenNeuronPerLayerC, 1))
self.Vweight.append(Matrix(hiddenNeuronPerLayerC, inputNeuronC))
self.Vbias.append(Matrix(hiddenNeuronPerLayerC, 1))
# hidden - hidden
for i in range(hiddenLayerC - 1):
# kaç saklı katman varsa onun 1 eksiği kadar aralarında ağırlık ve sapma vardır
self.weights.append(Matrix(hiddenNeuronPerLayerC, hiddenNeuronPerLayerC))
self.biases.append(Matrix(hiddenNeuronPerLayerC, 1))
self.Vweight.append(Matrix(hiddenNeuronPerLayerC, hiddenNeuronPerLayerC))
self.Vbias.append(Matrix(hiddenNeuronPerLayerC, 1))
# hidden - output
self.weights.append(Matrix(outputNeuronC, hiddenNeuronPerLayerC))
self.biases.append(Matrix(outputNeuronC, 1))
self.Vweight.append(Matrix(outputNeuronC, hiddenNeuronPerLayerC))
self.Vbias.append(Matrix(outputNeuronC, 1))
for i in range(hiddenLayerC + 1):
# nöron ağdaki bütün katman sayısı kadar "inputsForTrain" ve "outputsForTrain"
# değişkenlerine null mabında 0 değerini veriyoruz
# not:
# zaten feedforward sürecinde bu değişkenler değişeceği için 0 olması hataya sebep olmayacak
# lakin indislerle işlem yapabilmek adına listede hazırda eleman olması gerekir
self.inputsForTrain.append(0)
self.outputsForTrain.append(0)
self.randomize_weight_and_biases()