public BPLearningWindow(Network network)
{
InitializeComponent();
this.network = network;
this.bpLearning = new BackPropagationLearning((ActivationNetwork)network);
}
static void Main(string[] args)
{
// var network = new ActivationNetwork(
// new SigmoidFunction(), // threshold activation function
// 2, // 2 inputs
// 2,
// 1); // 1 layer with 1 neuron.
//
//var net = new ActivationNetwork(new SigmoidFunction(2), 2, new int[1] {1});
// network[0][0].Threshold = 3.9;
// network[0][0].Bias = 0;
//
// network[0][1].Threshold = 6.86;
// network[0][1].Bias = 0;
//
// network[1][0].Threshold = 4.33;
// network[1][0].Bias = 0;
//
// network[0][0][0] = 6.54;
// network[0][0][1] = 6.51;
//
// network[0][1][0] = 4.47;
// network[0][1][1] = 4.46;
//
// network[1][0][0] = 9.45;
// network[1][0][1] = -10.22;
//
// NeuronalNetworkSerializer.SerializeToXml(network, @"network.xml");
// var network2 = NeuronalNetworkSerializer.DeserializeFromXmlFile(@"E:\Users\radoslaw.piekarz\Documents\GitHub\Neuronal-Networks\src\NeuronalNetworks\NeuronalNetworks.Tests\Resources\and.xml");
//
//
//
//
//
// //var network2 = NeuronalNetworkSerializer.DeserializeFromXmlFile(@"network.xml");
//
//
// Console.WriteLine(network2.Compute(new double[] {0.5, 0.5})[0]);
// Console.WriteLine(network2.Compute(new double[] { 1, 1 })[0]);
// Console.WriteLine(network2.Compute(new double[] { 0, 0 })[0]);
// Console.WriteLine(network2.Compute(new double[] { 0, 1 })[0]);
// Console.WriteLine(network2.Compute(new double[] { 1, 0 })[0]);
// Console.Read();
// KohonenNetwork network = new KohonenNetwork(9, 2 * 2);
// // create learning algorithm
// SOMLearning trainer = new SOMLearning(network);
//
// double[][] inputs = new double[4][];
//
// for (int i = 0; i < inputs.Length; i++)
// {
// inputs[i] = new double[9];
// }
//
//
// inputs[0][0] = 0;
// inputs[0][1] = 0;
// inputs[0][2] = 1;
// inputs[0][3] = 0;
// inputs[0][4] = 0;
// inputs[0][5] = 1;
// inputs[0][6] = 0;
// inputs[0][7] = 0;
// inputs[0][8] = 1;
//
//
// inputs[1][0] = 0;
// inputs[1][1] = 1;
// inputs[1][2] = 0;
// inputs[1][3] = 1;
// inputs[1][4] = 1;
// inputs[1][5] = 1;
// inputs[1][6] = 0;
// inputs[1][7] = 1;
// inputs[1][8] = 0;
//
// inputs[2][0] = 1;
// inputs[2][1] = 1;
// inputs[2][2] = 1;
// inputs[2][3] = 1;
// inputs[2][4] = 0;
// inputs[2][5] = 1;
// inputs[2][6] = 1;
// inputs[2][7] = 1;
// inputs[2][8] = 1;
//
// inputs[3][0] = 1;
// inputs[3][1] = 0;
// inputs[3][2] = 0;
// inputs[3][3] = 0;
// inputs[3][4] = 1;
// inputs[3][5] = 0;
// inputs[3][6] = 0;
// inputs[3][7] = 0;
// inputs[3][8] = 1;
//
//
// network.Randomize();
// network.Randomize();
// //trainer.ConscienceValue = 0.3;
// for (int i = 0; i < 32000; i++ )
// {
// if (i == 0)
// trainer.LearningRadius = 1.0;
//
// if (i == 8000)
// trainer.LearningRadius = 0.5;
//
// if (i == 16000)
// trainer.LearningRadius = 0.25;
//
// if (i == 24000)
// trainer.LearningRadius = 0.0;
//
// foreach (var input in inputs)
// {
//
// trainer.Run(input);
//
// }
// }
//
//
// // trainer.LearningRate = 0.1;
// // trainer.LearningRadius = 2;
// //
// // var c = new Conscience(4, 1);
// //
// // var n = new TwoDimensionalNeighborhood(6, 3);
// // for (int i = 0; i < 8000; i++)
// // {
// // foreach (var input in inputs)
// // {
// // trainer.Run2(input, i, 32000, c);
// // }
// // }
// //
// // trainer.LearningRate = 0.2;
// // trainer.LearningRadius = 1;
// // for (int i = 8000; i < 16000; i++)
// // {
// // foreach (var input in inputs)
// // {
// // trainer.Run2(input, i, 32000, c);
// // }
// // }
// //
// // trainer.LearningRate = 0.1;
// // trainer.LearningRadius = 0.1;
// // for (int i = 16000; i < 32000; i++)
// // {
// // foreach (var input in inputs)
// // {
// // trainer.Run2(input, i, 32000, c);
// // }
// // }
//
//
//
//
//
//
//
//
// // network.Layers[0].Neurons[0].Weights = new double[] { 0.0, 0.0, 0.5773, 0.0, 0.0, 0.5773, 0.0, 0.0, 0.5773};
// // network.Layers[0].Neurons[1].Weights = new double[] { 0.0, 0.4472, 0.0, 0.4472, 0.4472, 0.4472, 0.0, 0.4472, 0.0 };
// // network.Layers[0].Neurons[2].Weights = new double[] { 0.5773, 0.0, 0.0, 0.0, 0.5773, 0.0, 0.0, 0.0, 0.5773 };
// // network.Layers[0].Neurons[3].Weights = new double[] { 0.3535, 0.3535, 0.3535, 0.3535, 0.0, 0.3535, 0.3535, 0.3535, 0.3535 };
//
//
// foreach (var input in inputs)
// {
// network.Compute(input);
// Console.WriteLine("Winner " + network.GetWinner());
// foreach (var d in network.Output)
// {
// Console.WriteLine(d);
// }
// Console.WriteLine("--------");
// }
//
// Console.WriteLine("--------");
//
// foreach (var neuron in network.Layers[0].Neurons)
// {
// foreach (var input in neuron.Weights)
// {
// Console.WriteLine("W " + input);
// }
//
// Console.WriteLine(" - ");
// }
/*
double[][] inputs = new double[8][]
{
new double[] {0, 0, 0},
new double[] {0, 0, 1},
new double[] {0, 1, 0},
new double[] {0, 1, 1},
new double[] {1, 0, 0},
new double[] {1, 0, 1},
new double[] {1, 1, 0},
new double[] {1, 1, 1},
};
double[][] outputs = new double[8][] {
new double[]{0},
new double[]{1},
new double[]{1},
new double[]{0},
new double[]{1},
new double[]{0},
new double[]{0},
new double[]{1}
};
double[][] tests = new double[3][]
{
new double[] {0, 0, 0},
new double[] {0, 0, 1},
new double[] {1, 1, 1},
};
double[][] testsResults = new double[3][]
{
new double[] {0, 0, 0},
new double[] {1, 0, 1},
new double[] {1, 1, 1},
};
*/
double[][] inputs = new double[4][]
{
new double[] {0, 0},
new double[] {0, 1},
new double[] {1, 0},
new double[] {1, 1},
};
double[][] outputs = new double[4][] {
new double[]{0},
new double[]{1},
new double[]{1},
new double[]{0},
};
// double[][] testsResults = new double[3][]
// {
// new double[] {0, 0, 0},
// new double[] {1, 0, 1},
// new double[] {1, 1, 0},
// };
ActivationNetwork network =
(ActivationNetwork)NeuronalNetworkSerializer.DeserializeFromXmlFile(
@"D:\Projects\neuronalnetworks\src\NeuronalNetworks\NeuronalNetworks.Tests\Resources\bp_xor_network.xml");
network.Randomize(new DoubleRange(0.0, 1.0));
//NeuronalNetworkSerializer.SerializeToXml(network, "aaa.xml");
var cpLearning = new BackPropagationLearning(network);
cpLearning.LearningRate = 0.2;
cpLearning.Momentum = 0.4;
// cpLearning.RunEpoch(inputs, outputs, 20);
//
cpLearning.LearningRate = 0.3;
for (int i = 0; i < 15000; i++)
{
for (int j = 0; j < inputs.Length; j++)
{
var input = inputs[j];
var output = outputs[j];
cpLearning.Run(input, output);
}
}
// var ii = 0;
// foreach (var input in inputs)
// {
// network.Compute(input);
// Console.WriteLine(string.Format("{0} - {1}", network.Output[0], outputs[ii][0]));
// ii++;
// }
Console.WriteLine("-------------");
// var ii = 0;
// foreach (var input in tests)
// {
// network.Compute(input);
// Console.WriteLine(string.Format("{0} - {1}", testsResults[ii][0], network.GrossbergLayer.Output[0]));
// ii++;
// }
//
// double[][] input = new double[4][] {
// new double[] {0, 0},
// new double[] {0, 1},
// new double[] {1, 0},
// new double[] {1, 1}
// };
//double[][] output =
// new double[4][] {
// new double[] {0},
// new double[] {1},
// new double[] {1},
// new double[] {0}
// };
//
// ActivationNetwork network = new ActivationNetwork(
// new SigmoidFunction( 2 ),
// 2, // two inputs in the network
// 2, // two neurons in the first layer
// 2,
// 1 ); // one neuron in the second layer
// network.Randomize(new DoubleRange(0.0,1.0));
// BackPropagationLearning teacher = new BackPropagationLearning( network );
// //teacher.Momentum = 0.5;
// teacher.LearningRate = 0.3;
//
//
//
//
//
//
// for (int i = 0; i < 50000; i++)
// {
//
// var error = teacher.RunEpoch(input, output);
//
// Console.WriteLine(string.Format("Step {0} - {1} error", i, error));
// }
foreach (var d in inputs)
{
network.Compute(d);
Console.WriteLine(network.Output[0]);
}
Console.Read();
}
