/// <summary>
/// XORの学習の例
/// <para>NeuralNetworkクラスを直接操作して論理演算を実行する例です。</para>
/// </summary>
public static void XOR_learning()
{
var para = new Parameter(2, 5, 1, 1, 0.1); // ニューラルネットのパラメータ設定（中間層が多いと、学習係数を小さくとる必要がある）7層が限界・・
var NNforXOR = new NeuralNetwork(); // ニューラルネットクラスのインスタンス生成
NNforXOR.Setup(para);
for (int i = 0; i < 100; i++) // 学習開始
{
var ans = new double[4];
Console.Write("now i: " + i.ToString() + "@ ");
for (int k = 0; k < 100; k++)
{
ans[0] = NNforXOR.Learn(new double[2] { 0.0, 0.0 }, 0.0); // 特徴ベクトルと教師ベクトルを渡す
ans[1] = NNforXOR.Learn(new double[2] { 0.0, 1.0 }, 1.0);
ans[2] = NNforXOR.Learn(new double[2] { 1.0, 0.0 }, 1.0);
ans[3] = NNforXOR.Learn(new double[2] { 1.0, 1.0 }, 0.0);
}
Console.WriteLine("ans = " + ans[0].ToString("0.000") + ", " + ans[1].ToString("0.000") + ", " + ans[2].ToString("0.000") + ", " + ans[3].ToString("0.000") +
", 最後の学習結果→Error variation," + NNforXOR.VariationOfError.ToString("0.000") + ", Total Error," + NNforXOR.TotalOutputError.ToString("0.000"));
}
NNforXOR.Save("NN.ini");
return;
}
/// <summary>
/// sin()関数の学習の例
/// <para>NeuralNetworkクラスを直接利用して関数近似を行わせるサンプルです。</para>
/// <para>
/// 2011/12/25現在、0～1までの出力しか得られない。
/// 出力関数と学習則を変更するか、関数近似時には値のマッピングが必要である。
/// 他の人はどうやってんだろう？</para>
/// </summary>
public static void sin_learnig()
{
var para = new Parameter(1, 13, 1, 3, 0.01); // ニューラルネットのパラメータ設定
var NNforSin = new NeuralNetwork(); // ニューラルネットクラスのインスタンス生成
NNforSin.Setup(para);
for (int i = 0; i < 500; i++) // 学習開始
{
Console.Write("\nnow i: " + i.ToString() + "@ ");
Console.Write("ans = ");
for (int k = 0; k < 15; k++)
{
double theta = (double)k / 15.0 * 2.0 * Math.PI;
double ans = 0.0;
for (int l = 0; l < 100; l++) ans = NNforSin.Learn(theta, Math.Sin(theta)); // 特徴ベクトルと教師ベクトルを渡す
Console.Write(", " + ans.ToString("0.000"));
}
}
NNforSin.Save("NN.ini");
return;
}
/// <summary>
/// 学習を実行させる
/// <para>学習強度を引数で設定可能です。</para>
/// </summary>
/// <param name="learningTimes">学習回数</param>
/// <param name="learningStrength">学習強度（要素数はモデル数と一致すること）</param>
/// <param name="discriminator">学習させる識別器</param>
/// <param name="classForLearning">学習用教師データモデル</param>
/// <returns>識別器の出力誤差積算値</returns>
private double Learn(int learningTimes, int[] learningStrength, NeuralNetwork discriminator, List<Model> classForLearning)
{
if (this.Ready == false)
throw new SystemException("学習の準備はまだ完了しておりません。モデルを追加して下さい。");
if (classForLearning.Count != learningStrength.Length)
throw new SystemException("学習強度の要素数がモデル数と一致しません。");
if (discriminator == null)
throw new Exception("判別器のインスタンスが確保されておらず、学習ができません。");
// 学習をスタート
foreach (Model model in classForLearning)
model.SequenceMode = this.PickOutMode;
int learningCount = 0;
double[] errorEachModel = new double[classForLearning.Count];
Boolean need = CheckLearningStrength(learningStrength); // 学習させる必要性を学習強度からチェック
int backupOfModelIndex = int.MaxValue;
int sameCount = 0;
while (learningCount < learningTimes && need) // 学習回数をチェックしながらループ
{
int modelIndex;
if (this.RandomModelChoice)
modelIndex = this.myRandom.Next(classForLearning.Count);
else
modelIndex = learningCount % classForLearning.Count;
if (backupOfModelIndex != modelIndex) // 2回連続で学習させると学習が偏ってしまうので回避。エニグマみたい。
{
Vector teature = this.CreateTeachingVector(modelIndex);
double error = 0.0;
int count = 0;
// 指定された強度分配に基づき、計算した回数分モデルを呼び出す
for (int i = 0; i < learningStrength[modelIndex]; i++)
{
Feature feature = classForLearning[modelIndex].GetFeature();
Vector outputForDebug = discriminator.Learn(feature, teature); // 学習
learningCount++;
error += discriminator.TotalOutputError;
count++;
}
error /= (double)count; // 特徴量1件当たりの誤差量を計算
errorEachModel[modelIndex] = error; // シーケンス上では何の役にも立っていないが、デバッグ用と思ってください。将来的には誤差の収束条件を入れたいと思っています。
sameCount = 0;
}
else
{
if (sameCount < 100) // 同じ数が出るようになったらインスタンスをもう一度作ってみる
sameCount++; // 乱数ジェネレータが壊れるとかあほかと（並列演算が悪いの？）
else // これで一応うまくいくことを確認した
this.myRandom = new Random();
}
backupOfModelIndex = modelIndex;
}
return discriminator.TotalOutputError;
}