Scalaで誤差逆伝播法(バックプロパゲーション)を実装

公開日: : 最終更新日:2016/01/23 scala, 技術

githubにアップしました。

行列版を実装しました。コード量が断然にすくなくなります。

「人工知能に関する断創録」様と、以下の参考書を参考にしました。

特に「フリーソフトでつくる音声認識システム」は初学者にはとてもわかりやすく、アルゴリズムのイメージがつかみやすかったです。

import scala.util.Random;
import breeze.plot._;

object OldStyle {

	def main(args: Array[String]) {

		//1層目のユニット数 入力次元数 //バイアスユニットを含む
		val input_dimension = 2;
		//隠れ層のユニット数 //バイアスユニットを含む
		val hidden_number = 8;
		//出力の次元数
		val output_signal_dimension = 1;
		//学習係数
		val eta = 0.1;
		val rand = new Random;

		//入力と隠れ層の間の重みをランダムに初期化
		//[入力ユニットN番目][隠れそうユニットM番目]
		var w1 = Array.ofDim[Double]( input_dimension ,(input_dimension max hidden_number)  ).map{ v => v.map{v2 => rand.nextDouble }};
		//隠れ層と出力層の間の重みをランダムに初期化
		var w2 = Array.ofDim[Double]( hidden_number , (hidden_number max output_signal_dimension)  ).map{ v => v.map{v2 => rand.nextDouble  }};

		val N = 100;
		val input_signals = (-1.0 to 1.0 by 2.0 / N);
		val inst_signals = input_signals.map{v => 0.5 *  (Math.sin( Math.PI * v) + 1)}; // サインカーブ
		//val inst_signals = input_signals.map{v => v * v}; //二次関数

		println(input_signals);
		println(inst_signals);

    for ( loop <- 1 to 10000)
    {
    	for ( signal_index <- 0 until input_signals.length)
    	{
    		//入力信号
    		var x1 = new Array[Double](input_dimension );
    		//教師信号
    		var inst = new Array[Double](output_signal_dimension);

    		//入力信号
    		x1(0) = input_signals(signal_index);
    		//バイアスユニットの値の設定 最後の要素に1を代入
    		x1(x1.length-1) = 1.0;
    		//正解信号
    		inst(0) = inst_signals(signal_index);

    		var error = Double.MaxValue;
    		//隠れ層の信号 順伝播で与えられる
    		var x2 = new Array[Double](hidden_number);
    		for( i <- 0 until x1.length){
    			for( j <- 0 until x2.length-1){
    				x2(j) += w1(i)(j) * x1(i);
    			}
    		}
    		//シグモイド関数
    		x2 = x2.map{v => 1 / ( 1 + Math.exp(-v))};
    		//バイアスユニット
    		x2(x2.length-1) = 1.0;

    		//順伝播で出力層を更新  scalaっぽく書き換えたい
    		//出力信号
    		var output_signal = new Array[Double](output_signal_dimension);
    		for ( i <- 0 until x2.length){
    			for ( j <- 0 until output_signal.length){
    				output_signal(j) += w2(i)(j) * x2(i);
    			}
    		}
    		//シグモイド関数
    		output_signal = output_signal.map{ v=> 1 / ( 1 + Math.exp(-v))}
    		error = (output_signal zip inst).map( t => 0.5 * (t._1 - t._2) * (t._1 - t._2)).sum;
    		//println(error);

    		//出力層 の誤差を計算
    		var epsi_out = new Array[Double](output_signal_dimension);
    		for(i <- 0 until epsi_out.length){
    			epsi_out(i) = (output_signal(i) - inst(i)) * output_signal(i) * ( 1 - output_signal(i) );
    		}
    		//隠れ層 の誤差を計算
    		var epsi_hidden = new Array[Double](hidden_number);
    		for ( i <- 0 until epsi_hidden.length){
    			var temp = 0.0;
    			for ( j <- 0 until epsi_out.length){
    				temp += w2(i)(j) * epsi_out(j);
    			}
    			epsi_hidden(i) = temp * x2(i) *( 1 - x2(i));
    		}

    		//重みの修正 入力→隠れ層
    		for(i <- 0 until x1.length){
    			for( j <- 0 until x2.length ){
    				w1(i)(j) -= eta * ( x1(i) * epsi_hidden(j) );
    			}
    		}

    		//重みの修正 隠れ層→出力層
    		for (i <- 0 until x2.length){
    			for ( j <- 0 until output_signal.length){
    				w2(i)(j) -= eta * ( x2(i) * epsi_out(j) );
    			}
    		}
    	}
    }

    /*
		println(w1.deep);
		println(w2.deep);
    */
		//学習結果の重みを使って出力
		def output(x:Double):Double = {
			//順伝播で出力を計算
			var x1 = new Array[Double](input_dimension);
			x1(0) = x;
			x1(x1.length-1) = 1.0;
      var x2 = new Array[Double](hidden_number);
      for( i <- 0 until x1.length){
    	  for( j <- 0 until x2.length-1){
    		  x2(j) += w1(i)(j) * x1(i);
    	  }
      }
      //シグモイド関数
      x2 = x2.map{v => 1 / ( 1 + Math.exp(-v))};
      //バイアスユニット
      x2(x2.length-1) = 1.0;

      //順伝播で出力層を更新  scalaっぽく書き換えたい
      //出力信号
      var output_signal = new Array[Double](output_signal_dimension);
      for ( i <- 0 until x2.length){
    	  for ( j <- 0 until output_signal.length){
    		  output_signal(j) += w2(i)(j) * x2(i);
    	  }
      }
  		output_signal = output_signal.map{ v=> 1 / ( 1 + Math.exp(-v))};
      output_signal(0);
		}
    val leaned_output_signal = input_signals.map{ v => output(v) };
    println(leaned_output_signal);

    val f = Figure();
    val p = f.subplot(0);
    p += plot(input_signals,inst_signals,'-');
    p += plot(input_signals,leaned_output_signal,'+');
    //f.saveas("square.png");
  }
}

sin square

関連記事

no image

fstabがうまくいかなかった

raspberry pi で radikoを録音しようと思って、まずはNASに接続しなきゃと思ったの

記事を読む

no image

Scala IDE ( Eclipse )でgithubに接続する

何回やっても忘れてしまって、作業に手間取ってしまうのでメモします。 プロジェクトのところで→[

記事を読む

no image

cloudera managerを動かすためにメモリを増設した

Cloudera Managerの推奨スペックが 8GBと非常に要求が高かったので、Amazo

記事を読む

scalanlp/breeze-vizを使ってscalaでグラフ表示

scalaでグラフを書けないかなと探していたら、線形代数ライブラリのscalanlpでグラフが書ける

記事を読む

no image

scalaでディープラーニング実装

scalaでディープラーニング実装しようかな。 需要あれば実装します。

記事を読む

no image

scala再帰

総和を求める。 def sum(ar:List[Int]) : Int = {

記事を読む

Sparkを最小労力で動かす その1

VirtualBoxでCentosを2つ作ります。 HDDの容量は16GBにしておきます。

記事を読む

Github EvolutionalComputationにjDEのScala実装を追加

https://github.com/yawaip/EvolutionalComputation

記事を読む

no image

scalaで複数ファイルをコンパイルして実行する方法

scalaで複数ファイルを作って、実行する方法がわからなくて2時間ほど時間を無駄にした。(無職なんだ

記事を読む

no image

cloudera managerでhdfsにファイルアップロードする

cloudera managerでhdfsやsparkをインストールすると困ったのは、ファイル操作が

記事を読む

no image
メタニウムMGLとカシータスMGLの飛距離について

メタニウムMGLとカシータスMGLは飛距離については一緒らしいです。

no image
ゾディアス166m-2とクロノス662mbの比較

どうも2ピースロッドが大好きなヤワイです。 同じスペックの竿を2

no image
エリアトラウトで村田基さんの真似を辞めたら釣れるようになった

半年ぶりの更新です。 今年一年は、仕事が忙しくほとんど釣りに行け

上からクロノス、エアエッジ、ブレイゾン、ゾディアス
クロノス 672MHB 使ってみてのレビュー

クロノスロッドはかなりイケてるロッドの気がして、3月に購入してから2回

趣味にエリアフィッシング(ニジマス釣り)をおすすめする7つの理由

休みの日が雨だと何もやることがなくて嫌ですね。昔は雷さえならなければ釣

大好き片倉ダム(笹川湖)~ボート屋紹介~

亀山ダムの釣果情報を出しているページを運営しているものの、なんだかんだ

ピニオンギアのスペースチューニング
アルテグラチューニング

久しぶりの投稿です。 最近、エリアトラウトにどっぷりはまっており

素人がエリアトラウトで人並みに釣ることができるようになるまで

エリアトラウトに始めて2ヶ月が経ちました。完全にハマってます。 技量

王禅寺フィッシュオンへのアクセス1
初エリアトラウトにフィッシュオン王禅寺に行ってきた(公共交通機関でアクセス編)

前回の投稿以降、更新を忘れていたので書きます。 私は車やバイクを

【最安か?】上州屋渋谷の創業祭でジリオン SV TWが10%オフだった

なかなか今年の初バス釣りの予定がたちませんね。 グラフから釣行日

→もっと見る

PAGE TOP ↑