def trainKohonenNetowork1D( alfa, m, L, r, params ):
"""
@brief { Entrenamiento de la Red de Kohonen }
param[in] <alfa> { Coeficiente de aprendizaje }
param[in] <m> { Número de neuronas }
param[in] <L> { Número de presentaciones }
param[in] <params> { [coficiente de aprendizaje, Tipo de inicialización de pesos, Tipo de Distancia Euclidiana] }
param[in] <r> { Radio }
@return { Pesos de las neuronas }
"""
global basePath
sizeVector = 784
if params[1] == 1 :
W = myLib.randomMatrix( m, sizeVector )
else :
W = myLib.constMatrix( m, sizeVector, 0.5 )
for l in range( L ) :
print("Presentación: ", l+1)
if params[0] == -1 :
alfa = 1.0 / ( l + 2 )
while True :
path = myLib.nextImage( basePath )
# No hay más imágenes
if( path == "" ) :
break
X = myLib.loadImage( path )
minD = math.inf
minN = -1;
# Obteniendo la j-esima neurona mas cercana a X
for j in range( m ) :
d = distance( X, W[j], params[2] )
if minD > d :
minD = d
minN = j
winnerNeuron = minN
# No hay vecindarios, solo se actualiza la neurona ganadora
for j in range( len( W ) ) :
fphi = phi( winnerNeuron, j, r )
if fphi != 0 :
for i in range( len( W[j] ) ) :
W[j][i] += alfa * ( X[i] - W[j][i] ) * fphi
# Reiniciar parámetros de lectura de las imágenes
myLib.resetDirectory()
return W
def trainKohonenNetowork1D(alfa, m, L, r, params):
"""
@brief { Entrenamiento de la Red de Kohonen }
param[in] <alfa> { Coeficiente de aprendizaje }
param[in] <m> { Número de neuronas }
param[in] <L> { Número de presentaciones }
param[in] <params> { [coficiente de aprendizaje, Tipo de inicialización de pesos, Tipo de Distancia Euclidiana] }
param[in] <r> { Radio }
@return { Pesos de las neuronas }
"""
global basePath
sizeVector = 784
if params[1] == 1:
W = myLib.randomMatrix(m, sizeVector)
else:
W = myLib.constMatrix(m, sizeVector, 0.5)
for l in range(L):
print("Presentación: ", l + 1)
if params[0] == -1:
alfa = 1.0 / (l + 2)
while True:
path = myLib.nextImage(basePath)
# No hay más imágenes
if (path == ""):
break
X = myLib.loadImage(path)
minD = math.inf
minN = -1
# Obteniendo la j-esima neurona mas cercana a X
for j in range(m):
d = distance(X, W[j], params[2])
if minD > d:
minD = d
minN = j
winnerNeuron = minN
# No hay vecindarios, solo se actualiza la neurona ganadora
for j in range(len(W)):
fphi = phi(winnerNeuron, j, r)
if fphi != 0:
for i in range(len(W[j])):
W[j][i] += alfa * (X[i] - W[j][i]) * fphi
# Reiniciar parámetros de lectura de las imágenes
myLib.resetDirectory()
return W
def test( filename, p, n, q ) :
W_output = myLib.loadMatrix("Capas/CapaSalida")
W_hiddens = []
for i in range( len( n ) ) :
W_hiddens.append( myLib.loadMatrix( "Capas/CapaOculta" + str(i+1)) )
X = myLib.loadImage( filename )
a, O = propagation( p, n, q, W_hiddens, W_output, X )
print(O)
for num in O :
print( int(num+0.5) )
out = 0
for i in range( q ) :
out = out | ( int( O[i] + 0.5 ) << i )
print("Valor proporcionado por la red: ", out)
def KohonenNetworkClassifier(W, m, distanceType):
"""
@brief { Entrenamiento de la Red de Kohonen }
param[in] <W> { Pesos de las neuronas }
param[in] <m> { Número de neuronas }
param[in] <distanceType> { Tipo de Distancia Euclidiana}
@return { Neurona ganadora }
"""
global basePath
distributionClass = {}
distributionClass2 = []
for j in range(m):
distributionClass["Clase " + str(j)] = 0
distributionClass2.append(0)
while True:
path = myLib.nextImage(basePath)
# No hay más imágenes
if (path == ""):
break
X = myLib.loadImage(path)
minD = math.inf
minN = -1
for j in range(m):
d = distance(X, W[j], distanceType)
if minD > d:
minD = d
minN = j
distributionClass["Clase " + str(minN)] += 1
distributionClass2[minN] += 1
myLib.saveOImage(
X, "representantes/" + "Clase " + str(minN) + "-" + str(minD) +
".jpg")
myLib.resetDirectory()
print(distributionClass)
print(distributionClass2)
def KohonenNetworkClassifier( W, m, distanceType ) :
"""
@brief { Entrenamiento de la Red de Kohonen }
param[in] <W> { Pesos de las neuronas }
param[in] <m> { Número de neuronas }
param[in] <distanceType> { Tipo de Distancia Euclidiana}
@return { Neurona ganadora }
"""
global basePath
distributionClass = {}
distributionClass2 = []
for j in range( m ):
distributionClass[ "Clase " + str(j) ] = 0
distributionClass2.append(0)
while True :
path = myLib.nextImage( basePath )
# No hay más imágenes
if( path == "" ) :
break
X = myLib.loadImage( path )
minD = math.inf
minN = -1
for j in range( m ) :
d = distance( X, W[j], distanceType )
if minD > d :
minD = d
minN = j
distributionClass[ "Clase " + str(minN) ] += 1
distributionClass2[ minN ] += 1
myLib.saveOImage( X, "representantes/" + "Clase " + str(minN) + "-" + str(minD) + ".jpg" )
myLib.resetDirectory()
print( distributionClass )
print( distributionClass2 )
def backpropagation( basePath, p, n, q, T, miu ) : global NDIR global Error global Errors global ents # Número de capas ocultas m = len( n ) W_input = myLib.randomMatrix( p, 1 ) W_hiddens = myLib.randomMultiMatrix( p, n ) W_output = myLib.randomMatrix( q, n[m-1] ) for t in range( T ) : print( "Presentación ", t+1 ) while True : path = myLib.nextImage( basePath ) # No hay más imágenes if( path == "" ) : break X = myLib.loadImage( path ) # Valores de las sumatorias de cada capa sin función de activación ents = [] I, a, O = propagation( p, n, q, W_input, W_hiddens, W_output, X ) # Actalizando pesos de la i-ésima neurona de la capa de salida preDelta = [] # Para cada neurona de la capa de salida for i in range( q ) : # Error entre salida esperada y proporcionada por la neurona ev = myLib.getExpectedValue() Ti = (ev >> i) & 1 Err_i = Ti - O[i] # Sumatoria de salida para la i-ésima neurona de la capa de salida ent_i = ents[ len(ents) - 1 ][i] # Se obtiene Delta_i delta_i = Err_i * Dg( ent_i ) preDelta.append( delta_i ) # Se actualiza cada peso de la i-ésima neurona for j in range( n[m-1] ) : W_output[i][j] += miu * a[m-1][j] * delta_i # Para cada capa oculta actDelta = [] for l in range( m ) : if l != 0 : preDelta = actDelta actDelta = [] # Actalizando pesos de la j-ésima neurona de la l-ésima capa oculta for j in range( n[ m-l-1 ] ) : # Sumatoria de salida para la j-ésima neurona de la l-ésima capa oculta ent_j = ents[m-l][j] # Se calcula delta_j delta_j = 0.0 # Última capa oculta if l == 0 : for i in range( q ) : delta_j += W_output[i][j] * preDelta[i] # Capas intermedias else : for i in range( n[m-l] ) : delta_j += W_hiddens[m-l][i][j] * preDelta[i] delta_j *= Dg( ent_j ) actDelta.append( delta_j ) # Se actualiza cada peso de la j-ésima neurona de la l-ésima capa oculta # Para la primer capa oculta if l == m-1 : for k in range( p ) : W_hiddens[0][j][k] += miu * X[k] * delta_j # Para la capas ocultas intermedias else : for k in range( n[m-l-1] ) : W_hiddens[m-l-1][j][k] += miu * a[m-l-2][k] * delta_j # Capa de entrada preDelta = actDelta for k in range( p ) : # Se calcula ent_k ent_k = ents[0][k] # Se calcula delta_j delta_k = 0.0 for j in range( n[0] ) : delta_k += W_hiddens[0][j][k] * preDelta[j] delta_k *= Dg( ent_k ) # Se actualiza cada peso de la k-ésima neurona W_input[k][0] += miu * X[k] * delta_k # Calculando el error global por presentación del conjunto de imágenes tmp = 0.0 for e in Errors : tmp += e Error.append( tmp ) Errors = [] print( "Error =>" , Error[-1] ) # Reiniciar parámetros de lectura de las imágenes myLib.resetDirectory() return W_input, W_hiddens, W_output
def backpropagation(basePath, p, n, q, T, miu):
global NDIR
global Error
global Errors
global ents
# Número de capas ocultas
m = len(n)
W_input = myLib.randomMatrix(p, 1)
W_hiddens = myLib.randomMultiMatrix(p, n)
W_output = myLib.randomMatrix(q, n[m - 1])
for t in range(T):
print("Presentación ", t + 1)
while True:
path = myLib.nextImage(basePath)
# No hay más imágenes
if (path == ""):
break
X = myLib.loadImage(path)
# Valores de las sumatorias de cada capa sin función de activación
ents = []
I, a, O = propagation(p, n, q, W_input, W_hiddens, W_output, X)
# Actalizando pesos de la i-ésima neurona de la capa de salida
preDelta = []
# Para cada neurona de la capa de salida
for i in range(q):
# Error entre salida esperada y proporcionada por la neurona
ev = myLib.getExpectedValue()
Ti = (ev >> i) & 1
Err_i = Ti - O[i]
# Sumatoria de salida para la i-ésima neurona de la capa de salida
ent_i = ents[len(ents) - 1][i]
# Se obtiene Delta_i
delta_i = Err_i * Dg(ent_i)
preDelta.append(delta_i)
# Se actualiza cada peso de la i-ésima neurona
for j in range(n[m - 1]):
W_output[i][j] += miu * a[m - 1][j] * delta_i
# Para cada capa oculta
actDelta = []
for l in range(m):
if l != 0:
preDelta = actDelta
actDelta = []
# Actalizando pesos de la j-ésima neurona de la l-ésima capa oculta
for j in range(n[m - l - 1]):
# Sumatoria de salida para la j-ésima neurona de la l-ésima capa oculta
ent_j = ents[m - l][j]
# Se calcula delta_j
delta_j = 0.0
# Última capa oculta
if l == 0:
for i in range(q):
delta_j += W_output[i][j] * preDelta[i]
# Capas intermedias
else:
for i in range(n[m - l]):
delta_j += W_hiddens[m - l][i][j] * preDelta[i]
delta_j *= Dg(ent_j)
actDelta.append(delta_j)
# Se actualiza cada peso de la j-ésima neurona de la l-ésima capa oculta
# Para la primer capa oculta
if l == m - 1:
for k in range(p):
W_hiddens[0][j][k] += miu * X[k] * delta_j
# Para la capas ocultas intermedias
else:
for k in range(n[m - l - 1]):
W_hiddens[m - l -
1][j][k] += miu * a[m - l -
2][k] * delta_j
# Capa de entrada
preDelta = actDelta
for k in range(p):
# Se calcula ent_k
ent_k = ents[0][k]
# Se calcula delta_j
delta_k = 0.0
for j in range(n[0]):
delta_k += W_hiddens[0][j][k] * preDelta[j]
delta_k *= Dg(ent_k)
# Se actualiza cada peso de la k-ésima neurona
W_input[k][0] += miu * X[k] * delta_k
# Calculando el error global por presentación del conjunto de imágenes
tmp = 0.0
for e in Errors:
tmp += e
Error.append(tmp)
Errors = []
print("Error =>", Error[-1])
# Reiniciar parámetros de lectura de las imágenes
myLib.resetDirectory()
return W_input, W_hiddens, W_output