Java простая настройка нейронной сети

Я решил поиграть с некоторыми простыми концепциями, связанными с нейронными сетями на Java, и, адаптируя несколько бесполезный код, который я нашел на форуме, мне удалось создать очень простую модель для типичного симулятора XOR для начинающих:


public class MainApp {
    public static void main (String [] args) {
        Neuron xor = new Neuron(0.5f);
        Neuron left = new Neuron(1.5f);
        Neuron right = new Neuron(0.5f);
        left.setWeight(-1.0f);
        right.setWeight(1.0f);
        xor.connect(left, right);

        for (String val : args) {
            Neuron op = new Neuron(0.0f);
            op.setWeight(Boolean.parseBoolean(val));
            left.connect(op);
            right.connect(op);
        }

        xor.fire();

        System.out.println("Result: " + xor.isFired());

    }
}


public class Neuron {
    private ArrayList inputs;
    private float weight;
    private float threshhold;
    private boolean fired;

    public Neuron (float t) {
        threshhold = t;
        fired = false;
        inputs = new ArrayList();
    }

    public void connect (Neuron ... ns) {
        for (Neuron n : ns) inputs.add(n);
    }

    public void setWeight (float newWeight) {
        weight = newWeight;
    }

    public void setWeight (boolean newWeight) {
        weight = newWeight ? 1.0f : 0.0f;
    }

    public float getWeight () {
        return weight;
    }

    public float fire () {
        if (inputs.size() > 0) {
            float totalWeight = 0.0f;
            for (Neuron n : inputs) {
                n.fire();
                totalWeight += (n.isFired()) ? n.getWeight() : 0.0f;
            }
            fired = totalWeight > threshhold;
            return totalWeight;
        }
        else if (weight != 0.0f) {
            fired = weight > threshhold;
            return weight;
        }
        else {
            return 0.0f;
        }
    }

    public boolean isFired () {
        return fired;
    }
}

В моем основном классе я создал простую симуляцию в моделировании диаграммы Джеффа Хитона: XOR diagram

Однако я хотел, чтобы моя реализация для класса Neuron была правильной. Я уже тестировал все возможные входы ([true true], [true false], [false true], [false false]) и все они прошли мою ручную проверку. Кроме того, поскольку эта программа принимает входные данные в качестве аргументов, она также пропускает ручную проверку для входов, таких как [true false false], [true true false] и т.д.

Но концептуально говоря, будет ли эта реализация правильной? Или как я могу улучшить его, прежде чем я начну дальнейшее развитие и исследование этой темы?

Спасибо!

Ответы

Ответ 1

Похоже, это хорошая отправная точка. У меня есть несколько предложений:

  • Для масштабируемости fire() следует перестроить так, чтобы нейрон, который уже запускался с текущим набором входных данных, не должен был пересчитывать каждый раз. Это было бы так, если бы у вас был другой скрытый слой или более одного выхода node.

  • Рассмотрим разбиение порогового значения на собственный метод. Затем вы можете подклассировать Neuron и использовать различные типы функций активации (биполярный сигмоид, RBF, линейный и т.д.).

  • Чтобы узнать более сложные функции, добавьте вход смещения для каждого нейрона. Это в основном как другой ввод с собственным значением веса, но вход всегда фиксируется на 1 (или -1).

  • Не забудьте указать методы обучения. Для backpropagation потребуется что-то вроде обратного к fire(), чтобы получить целевой результат и пульсировать изменения веса через каждый уровень.

Ответ 2

Из (ограниченной) работы, которую я сделал с нейронными сетями, эта реализация и модель выглядят корректно для меня - результат - это то, что я ожидаю, и источник выглядит прочным.