1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
| import sys
import random
from math import exp, floor
class rgate:
def mul(x,y):
return x*y
def add(x,y):
return x+y
class unit:
value = 0.0
grad = 0.0
def __init__(self, value=0.0,grad=0.0):
self.value = value
self.grad = grad
class u:
value = 0.0
grad = 0.0
def __init__(self, value=0.0,grad=0.0):
self.value = value
self.grad = grad
class mg:
u0 = None
u1 = None
ru = None
def __init__(self, u0=None,u1=None):
self.u0 = None
self.u1 = None
self.ru = None
def f(self, u0, u1):
self.u0 = u0
self.u1 = u1
self.ru = unit(self.u0.value*self.u1.value , 0)
return self.ru
def b(self):
self.u0.grad += self.ru.grad * self.u1.value
self.u1.grad += self.ru.grad * self.u0.value
class ag:
u0 = None
u1 = None
ru = None
def f(self,u0, u1):
self.u0 = u0
self.u1 = u1
self.ru = unit(u0.value+u1.value,0)
return self.ru
def b(self):
self.u0.grad += self.ru.grad*1
self.u1.grad += self.ru.grad*1
class sg:
u0 = None
ru = None
def sig(self, x):
return 1/(1+exp(-x))
def f(self,u0):
self.u0 = u0
self.ru = unit(self.sig(self.u0.value), 0)
return self.ru
def b(self):
s = self.sig(self.u0.value)
self.u0.grad += (s*(1-s))*self.ru.grad
def fc(a,b,c,x,y):
return 1/(1+exp(-(a*x+b*y+c)))
class sqg:
u0 = None
ru = None
def f(self,u0):
self.u0 = u0
self.ru = unit(self.u0.value*self.u0.value,0.0)
return self.ru
def b(self):
self.u0.grad += 2*self.u0.value*self.ru.grad
class dg:
u0 = None
u1 = None
ru = None
def f(self,u0=unit(1.0,0.0),u1=unit(1.0,0.0)):
self.u0 = u0
self.u1 = u1
self.ru = unit(self.u0.value/self.u1.value,0.0)
return self.ru
def b(self):
self.u0.grad += (-1/(self.u0.value*self.u0.value))
class mag:#max gate
u0 = None
u1 = None
ru = None
def f(self,u0,u1):
self.u0 = u0
self.u1 = u1
self.ru = unit(self.u0.value > self.u1.value and self.u0.value or self.u1.value , 0.0)
return self.ru
def b(self):
self.u0.grad += self.ru.value == self.u0.value and 1.0*self.ru.grad or 0
self.u1.grad += self.ru.value == self.u1.value and 1.0*self.ru.grad or 0
class rg:#ReLU gate
u0 = None
ru = None
def f(self,u0):
self.u0 = u0
self.ru = unit(self.u0.value > 0 and self.u0.value or 0 , 0.0)
return self.ru
def b(self):
self.u0.grad += self.ru.value > 0 and 1.0*self.ru.grad or 0
def sig(a):
return 1/(1+exp(-a))
class cir:
a = None
b = None
c = None
x = None
y = None
mg1 = mg()
mg2 = mg()
ag1 = ag()
ag2 = ag()
r1 = None
r2 = None
r3 = None
r4 = None
def f(self,x ,y , a ,b ,c):
self.x = x
self.y = y
self.a = a
self.b = b
self.c = c
self.r1 = self.mg1.f(self.a ,self.x)
self.r2 = self.mg2.f(self.b ,self.y)
self.r3 = self.ag1.f(self.r1 ,self.r2)
self.r4 = self.ag2.f(self.r3 ,self.c)
return self.r4
def back(self,gt):
self.r4.grad = gt
self.ag2.b()
self.ag1.b()
self.mg2.b()
self.mg1.b()
class svm:
a = u(1.0, 0.0)
b = u(-2.0, 0.0)
c = u(-1.0, 0.0)
cir1 = cir()
o = None
def f(self,x,y):
self.o = self.cir1.f(x, y, self.a ,self.b ,self.c)
return self.o
def back(self,label):
self.a.grad = 0
self.b.grad = 0
self.c.grad = 0
pull = 0.0
if(label == 1 and self.o.value < 1):
pull = 1
if(label == -1 and self.o.value > -1 ):
pull = -1
self.cir1.back(pull)
def lform(self,x,y,label):
self.f(x,y)
self.back(label)
self.p()
def p(self):
ssize = 0.01
self.a.value += ssize*self.a.grad
self.b.value += ssize*self.b.grad
self.c.value += ssize*self.c.grad
def accu(self, datas,labels):
num_correct = 0
for i in range(6):
x = u(datas[i][0],0.0)
y = u(datas[i][1],0.0)
true_label = labels[i]
r = self.f(x,y)
predicted_label = r.value > 0 and 1 or -1
if(predicted_label == true_label):
num_correct+=1
return num_correct/6.0
if __name__=='__main__':
#이진분류
#데이터를 +1,-1로 구분하는것
#데이터 포인트이 각 값을 특성(feature)라 하고 결과(+1,-1)을 레이블(lable)이라고 한다
#목표 : 2차원 벡터(2개의 특성)를 입력받아 레이블을 예측하는 함수를 학습하는 것
#함수의 파라미털ㄹ 조정해 정확한 레이블이 나오도록하는 것이다
#훈련방법
#복잡한 수식은 어려우니 어려운 단순한 선형분류로 시작한다
#f(x,y) = ax+by+c
#x,y를 입력(2D 벡터,특성) a,b,c를 학습시킬 함수의 파라미터로 생각한다
#1.무작위로 데이터 포인트를 선택해 입력한다
#2.회로의 출력을 통해 레이블을 결정한다
#3.예측값이 레이블에 얼마나 잘맞는지 측정한다
#4.회로에 힘을 가하고, a,b,c에 역전파 시켜 입력값을 변경시킨다. x,y는 데이터이므로 역전파로 값을 업데이트할 필요가 없다
#5.반복한다
#SVM(Support Vector Machine)
#매우 인기있는 선형분류 알고리즘이다.
#함수의 형태는 f(x,y) = ax+by+c로 똑같다
#쉬운이해를 위해 포스 명세서라고 하자. 전통적으로는 사용하지 않는 용어이다.
#역전파에 의한 출력증가 외에 a,b(c는 제외)에 0의 방향으로 당기는 힘을 추가하는 것이다.
#0으로 돌아가고자 하는 탄성력을 추가하는 것과 같다. 힘의 크기는 lal, lbl 에 비례한다. 훅의 법칙과 유사하다.
#학습을 위해 여러 차레 반복이 필요하다.
#모델의 복잡도, 초기화, 데이터의 정규화, 스텝 사이즈에 따라 학습시간이 달라진다.
# f(x,y) = a*x + b*y +c
print("f(x,y) = a*x + b*y +c")
#input def
a = u(1.0,0.0)
b = u(2.0,0.0)
x = u(3.0,0.0)
y = u(4.0,0.0)
c = u(5.0,0.0)
#gate def
mg1 = mg()
mg2 = mg()
ag1 = ag()
ag2 = ag()
#cal f
r1 = mg1.f(a,x)
r2 = mg2.f(b,y)
r3 = ag1.f(r1,r2)
r4 = ag2.f(r3,c)
#cal b
r4.grad = 1.0
ag2.b()
ag1.b()
mg1.b()
mg2.b()
#print derivative
da = mg1.u0.grad; print(da)
db = mg2.u1.grad; print(db)
dc = ag2.u1.grad; print(dc)
print('------')
# svm code
print("SVM code")
#data def
data = []
data.append([1.2, 0.7])
data.append([-0.3, -0.5])
data.append([3.0, 0.1])
data.append([-0.1, -1.0])
data.append([-1.0, 1.1])
data.append([2.1, -3])
label = []
label.append(1)
label.append(-1)
label.append(1)
label.append(-1)
label.append(-1)
label.append(1)
#svm def
svm1 = svm()
for i in range(400):
r = floor(random.random()*6)
x = u(data[r][0],0.0)
y = u(data[r][1],0.0)
t_label = label[r]
svm1.lform(x , y, t_label)
if(i%25 == 0 ):
print("{0}번째 훈련정확도는 {1}",i,svm1.accu(data,label))
#이 회로는 선형함수 뿐만 아니라 어떤 수식도 적용될 수 있다.
# not structed svm code
print("not structed svm code")
#data def
data = []
data.append([1.2, 0.7])
data.append([-0.3, -0.5])
data.append([3.0, 0.1])
data.append([-0.1, -1.0])
data.append([-1.0, 1.1])
data.append([2.1, -3])
label = []
label.append(1)
label.append(-1)
label.append(1)
label.append(-1)
label.append(-1)
label.append(1)
a = 1; b = -2; c = -1
for i in range(400):
r = floor(random.random()*6)
x = data[r][0]
y = data[r][1]
t_label = label[r]
score = a*x+b*y+c
pull = 0
if(label == 1 and score < 1):
pull = 1
if(label == -1 and score > -1):
pull = -1
step_size = 0.01
a += step_size*(x*pull-a)
b += step_size*(y*pull-b)
c += step_size*(1*pull)
#힘의 크기 pull이 0, +1, -1 인것을 알 수 있다. 다르게 오차의 크게 비례하여 크기를 다르게 할 수도이다.
#훈련 데이터의 특징에 따라 비례하여 힘을 주는 것이 좋을 수도 나쁠수도 있다.
#데이터에 이상치(outlier)가 있다면 비례하여 힘을 줄경우 이상값에 의해 파라미터의 변화가 커진다. 하지만 고정값 -1,+1,0으로 줄경우
#큰 영향을 받지 않으므로 잘 견딘다고(robustness) 할 수 있다.
#SVM을 뉴럴 네트워크로 일반화 하기
#SVM은 매우 간단한 함수 이다. 이 회로를 2개의 레이어를 가진 뉴럴 네트워크로 확장시켜 보자.
a1 = random.random()-0.5
a2 = random.random()-0.5
a3 = random.random()-0.5
a4 = random.random()-0.5
b1 = random.random()-0.5
b2 = random.random()-0.5
b3 = random.random()-0.5
b4 = random.random()-0.5
c1 = random.random()-0.5
c2 = random.random()-0.5
c3 = random.random()-0.5
c4 = random.random()-0.5
d4 = random.random()-0.5
for i in range(400):
r = floor(random.random()*6)
x = data[r][0]
y = data[r][1]
l = label[r]
n1 = 0 > a1*x+b1*y+c1 and 0 or a1*x+b1*y+c1
n2 = 0 > a2*x+b2*y+c2 and 0 or a2*x+b2*y+c2
n3 = 0 > a3*x+b3*y+c3 and 0 or a3*x+b3*y+c3
score = a4*n1 + b4*n2 + c4*n3 + d4
pull = 0.0
if(l == 1 and score < 1):
pull = 1
if(l == -1 and score > -1):
pull = -1
dscore = pull
da4 = n1*dscore
dn1 = a4*dscore
db4 = n2*dscore
dn2 = b4*dscore
dc4 = n3*dscore
dn3 = c4*dscore
dd4 = 1.0*dscore
dn3 = n3 == 0 and 0 or dn3
dn2 = n2 == 0 and 0 or dn2
dn1 = n3 == 0 and 0 or dn1
da1 = x * dn1
db1 = y * dn1
dc1 = 1.0 * dn1
da2 = x * dn2
db2 = y * dn2
dc2 = 1.0 * dn2
da3 = x * dn3
db3 = y * dn3
dc3 = 1.0 * dn3
da1 += -a1; da2 += -a2; da3 += -a3;
db1 += -b1; db2 += -b2; da3 += -b3;
da4 += -a4; db4 += -b4; dc4 += -c4;
step_size = 0.01
a1 += step_size * da1;
b1 += step_size * db1;
c1 += step_size * dc1;
a2 += step_size * da2;
b2 += step_size * db2;
c2 += step_size * dc2;
a3 += step_size * da3;
b3 += step_size * db3;
c3 += step_size * dc3;
a4 += step_size * da4;
b4 += step_size * db4;
c4 += step_size * dc4;
d4 += step_size * dd4;
#전통적인 방법
#포스명세서라 하지 않고 손실함수(목정함수,비용함수)라고 부른다
#2d 서포트벡터 머신의 손실함수는 참고사이트에서 확인
X = [[1.2,0.7],[-0.3,0.5],[3,2.5]]
y = [1,-1,1]
w = [0.1,0.2,0.3]
alpha = 0.1
total_cost = 0.0
for i in range(len(X)):
xi = X[i]
score = w[0]*xi[0] + w[1]*xi[1]+w[2]
yi = y[i]
costi = 0 > -yi*score+1 and 0 or -yi*score+1
print('example {0} : xi = ({1}) and label = {2}',i,xi,yi)
print(' score computed to be {0}',score)
print(' => cost computed to be {0}',costi)
total_cost += costi
reg_cost = alpha*(w[0]*w[0]+w[1]*w[1])
print('regularzization cost for current model is {0}',reg_cost)
total_cost += reg_cost
print('total cost is {0}',total_cost)
|