static void Main(string[] args)
{
Dataset xnor = new Dataset("./xnor_dataset.csv", 2, 1); // Read the dataset
// Con esta opcion leemos un archivo .csv con los datos de entrenamiento
MultiLayerPerceptron p = new MultiLayerPerceptron(new int[3] {
2, 2, 1
}); // Create Multi-Layer Perceptron
// Con esta opcion se crea un perceptron nuevo
// MultiLayerPerceptron p = new MultiLayerPerceptron(new int[3]{2,2,1}, "./perceptron.json"); // Create or Read serialized Multi-Layer Perceptron
// Con esta opcion creamos un perceptron con archivo de volcado, en caso de existir el archivo lo lee y crea el perceptron
//que ha sido guardado en ese archivo, si no existe el archivo especificado, lo guarda para poder guardar el modelo con la funcion save() de la clase MultiLayerPerceptron
// p.show_model(); // show the generated model
p.Learn(xnor, 0.3); // learn xnor rule
// Con esta funcion entrenas al perceptron para aprender algo
// El segundo paramentro se llama tasa o factor de aprendizaje, entre mas bajo mas exacto es el modelo pero mas dificil de entrenar se vuelve el trabajo.
// show all posibilities
for (int i = 0; i <= 1; i++)
{
for (int j = 0; j <= 1; j++)
{
Console.WriteLine("E{0},E{1} = {2} = {3}", i, j, Math.Round(p.stimulate(new double[2] {
i, j
})[0]), p.stimulate(new double[2] {
i, j
})[0]);
}
}
// Con este codigo le preguntas al perceptron el condicional XNOR
// p.save(); // save current perceptron
//Si has creado un perceptron con un archivo de volcado (Como el segundo ejemplo para crear el percetron) utilizas esta funcion para guardar el modelo actual y poder usarlo sin entrenar la siguinte vez que ejecutes el programa
// p.save("./mi_perceptron.json");
// Con esta opcion guardas el modelo actual en el archivo especificado
// Console.ReadKey(); // wait for close program
}
static void Main(string[] args)
{
int interation = 5000;
double eta = 0.25;
int neurons = 5;
var beta = 1;
var momentum = 0.9;
var inputs = new double[, ]
{
{ 0, 0 },
{ 1, 0 },
{ 0, 1 },
{ 1, 1 },
};
var xortargets = new double[]
{
0, 1, 1, 0
};
var ortargets = new double[]
{
0, 1, 1, 1
};
var andtargets = new double[]
{
0, 0, 0, 1
};
//=SIN(2*PI()*A10)+COS(4*PI()*A10)*RAND()*0.2
// where As are numbers from liner space between 0 and 1
var RandomInputs = new double[, ]
{
{ 0 },
{ 0.038461538 },
{ 0.076923077 },
{ 0.115384615 },
{ 0.153846154 },
{ 0.192307692 },
{ 0.230769231 },
{ 0.269230769 },
{ 0.307692308 },
{ 0.346153846 },
{ 0.384615385 },
{ 0.423076923 },
{ 0.461538462 },
{ 0.5 },
{ 0.538461538 },
{ 0.576923077 },
{ 0.615384615 },
{ 0.653846154 },
{ 0.692307692 },
{ 0.730769231 },
{ 0.769230769 },
{ 0.807692308 },
{ 0.846153846 },
{ 0.884615385 },
{ 0.923076923 },
{ 0.961538462 },
{ 1 }
};
var randomTargets = new double[]
{
0.006680055,
0.265486149,
0.483279114,
0.668364274,
0.763504244,
0.038461538,
0.798585083,
0.845324964,
0.793562162,
0.759179583,
0.686347672,
0.491122895,
0.243967266,
0.019711415,
-0.137190041,
-0.44675456,
-0.642939788,
-0.883257236,
-0.970691029,
-1.076569246,
-1.083657338,
-0.975380275,
-0.872895307,
-0.64233422,
-0.363677106,
-0.063115857,
0.186050921,
};
var randomTargets1 = (double[])randomTargets.Clone();
var logistic = new Logistic(beta);
var linear = new Linear(randomTargets1.Length);
var gateSoftmax = new Softmax(inputs.GetLength(0));
var gateLinear = new Linear(inputs.RowLength());
var xorPerc = new MultiLayerPerceptron(inputs, (double[])xortargets.Clone(), neurons, beta, momentum, gateLinear);
var orPerc = new MultiLayerPerceptron(inputs, (double[])ortargets.Clone(), neurons, beta, momentum, gateLinear);
var andPerc = new MultiLayerPerceptron(inputs, (double[])andtargets.Clone(), neurons, beta, momentum, gateLinear);
var randomPerc = new MultiLayerPerceptron(RandomInputs, randomTargets, neurons, beta, momentum, linear);
var tasks = new Task[]
{
Task.Factory.StartNew(() => xorPerc.Train(interation, eta)),
Task.Factory.StartNew(() => orPerc.Train(interation, eta)),
Task.Factory.StartNew(() => andPerc.Train(interation, eta)),
Task.Factory.StartNew(() => randomPerc.Train(interation + 40000, eta))
};
Console.Out.WriteLine("Start" + Environment.NewLine);
Task.WaitAll(tasks);
Console.Out.WriteLine("Stop" + Environment.NewLine);
xorPerc.Train(interation, eta);
Console.WriteLine("XOR");
xorPerc.ConfusionMatrix(inputs, xortargets);
Console.Out.WriteLine(Environment.NewLine);
Console.WriteLine("OR");
orPerc.ConfusionMatrix(inputs, ortargets);
Console.Out.WriteLine(Environment.NewLine);
Console.WriteLine("AND");
andPerc.ConfusionMatrix(inputs, andtargets);
Console.Out.WriteLine(Environment.NewLine);
Console.Out.WriteLine("MY random shit function from excel");
randomPerc.ConfusionMatrix(RandomInputs, randomTargets1);
Console.Out.WriteLine(Environment.NewLine);
Console.ReadKey();
}
