Metodos de la clase Pds::FCNn, una Full Connected Neural Network. Más...

Namespaces
namespace	Pds
	Nombre de espacion para PDS (Procesamiento Digital de Senales)

Estructuras de datos
class	Pds::FCNn
	La clase tipo Pds::FCNn . Esta clase genera un objeto con dos parametros Nlin y Ncol. Para usar incluir Pds/FCNn. Más...

Varios tipos de constructores
Crean una objeto Pds::FCNn
	Pds::FCNn::FCNn (void)
	Crea un objeto de tipo Pds::FCNn nulo con 0 entradas y 0 salidas. Sin función de activación. Matriz de pesos vazia. Más...

	Pds::FCNn::FCNn (std::vector< unsigned int > N)
	Crea un objeto de tipo Pds::FCNn con Nin entradas y Nout salidas. Usa la función sigmoide. Los pesos so iniciados con una distribución normal com desvio igual a 1. es el número de capas incluyendo la capa de entrada. Más...

	Pds::FCNn::FCNn (std::vector< unsigned int > N, double(func)(double), double(dfunc)(double))
	Crea un objeto de tipo Pds::FCNn con Nin entradas y Nout salidas. Los pesos so iniciados con una distribución normal com desvio igual a 1. es el número de capas incluyendo la capa de entrada. Más...

	Pds::FCNn::FCNn (std::string filepath, double(func)(double), double(dfunc)(double))
	Crea un objeto de tipo Pds::FCNn desde un archivo de entrada. es el número de capas incluyendo la capa de entrada. Más...

	Pds::FCNn::~FCNn ()

Inicializacion
bool	Pds::FCNn::Rand (double minval, double maxval)
	Carga los pesos con valores aleatorios uniformemente distribuidos desde minval hasta maxval. Más...

Save e load
bool	Pds::FCNn::Save (std::string filename)
	Salva los datos en un archivo binario. Más...

Evaluar
Pds::Vector	Pds::FCNn::Evaluate (const Pds::Vector &In)
	Evalua la capa de la CNN. Más...

bool	Pds::FCNn::Evaluate (const Pds::Vector &In, Pds::Vector &Out)
	Evalua la capa de la CNN. Más...

bool	Pds::FCNn::Evaluate (const Pds::Matrix &XIn, Pds::Matrix &YOut)
	Evalua la capa de la CNN. Más...

Training
bool	Pds::FCNn::Training (const Pds::Matrix &X, const Pds::Matrix &Y, double alpha, double lambda)
	Treina la NN como um bloque de datos entero X para encontrar una variacion de pesos. Más...

Mostrando datos
void	Pds::FCNn::Print (std::string str="") const
	Muestra en pantalla el contenido de Pds::FCNn, elementos separados por tabulador. Más...

void	Pds::FCNn::PrintStylized (std::string str="") const
	Muestra en pantalla el contenido de Pds::FCNn, en el formato (Nli,Ncol). Más...

Descripción detallada

Metodos de la clase Pds::FCNn, una Full Connected Neural Network.

#include <Pds/FCNn>

Informacion adicional puede ser encontrada en [1]

Documentación de las funciones

◆ FCNn() [1/4]

Pds::FCNn::FCNn ( void )

Crea un objeto de tipo Pds::FCNn nulo con 0 entradas y 0 salidas. Sin función de activación. Matriz de pesos vazia.

◆ FCNn() [2/4]

Pds::FCNn::FCNn ( std::vector< unsigned int > N )

Crea un objeto de tipo Pds::FCNn con Nin entradas y Nout salidas. Usa la función sigmoide. Los pesos so iniciados con una distribución normal com desvio igual a 1. es el número de capas incluyendo la capa de entrada.

Dada una red neuronal $f_{\mathbf{w}}()$ con pesos $\mathbf{w}$ , a cada vector de entrada $\mathbf{x}$ le corresponde la salida $\mathbf{y}$ , de modo que $\mathbf{y}= f_{\mathbf{w}}(\mathbf{x})$ . Internamente la red neuronal tiene neuronas en la capa , de modo que existen $\{n_0,n_1,...,n_l,...,n_{K-1}\}$ capas.

Full conected neural network

Parámetros

[in] N Vector con el numero de neuronas por camada, $\mathbf{N}=\{n_0,n_1,...,n_l,...,n_{K-1}\}$ .

◆ FCNn() [3/4]

Pds::FCNn::FCNn	(	std::vector< unsigned int >	N,
		double(*)(double)	func,
		double(*)(double)	dfunc
	)

Crea un objeto de tipo Pds::FCNn con Nin entradas y Nout salidas. Los pesos so iniciados con una distribución normal com desvio igual a 1. es el número de capas incluyendo la capa de entrada.

Dada una red neuronal $f_{\mathbf{w}}()$ con pesos $\mathbf{w}$ , a cada vector de entrada $\mathbf{x}$ le corresponde la salida $\mathbf{y}$ , de modo que $\mathbf{y}= f_{\mathbf{w}}(\mathbf{x})$ . Internamente la red neuronal tiene neuronas en la capa , de modo que existen $\{n_0,n_1,...,n_l,...,n_{K-1}\}$ capas.

Full conected neural network

Parámetros

[in]	N	Vector con el numero de neuronas por camada, $\mathbf{N}=\{n_0,n_1,...,n_l,...,n_{K-1}\}$ .
[in]	func	Función de activación.
[in]	dfunc	Derivada de la función de activación.

◆ FCNn() [4/4]

Pds::FCNn::FCNn	(	std::string	filepath,
		double(*)(double)	func,
		double(*)(double)	dfunc
	)

Crea un objeto de tipo Pds::FCNn desde un archivo de entrada. es el número de capas incluyendo la capa de entrada.

Dada una red neuronal $f_{\mathbf{w}}()$ con pesos $\mathbf{w}$ , a cada vector de entrada $\mathbf{x}$ le corresponde la salida $\mathbf{y}$ , de modo que $\mathbf{y}= f_{\mathbf{w}}(\mathbf{x})$ . Internamente la red neuronal tiene neuronas en la capa , de modo que existen $\{n_0,n_1,...,n_l,...,n_{K-1}\}$ capas.

Full conected neural network

Parámetros

[in]	filepath	Nombre de archivo de entrada.
[in]	func	Función de activación.
[in]	dfunc	Derivada de la función de activación.

◆ Rand()

bool Pds::FCNn::Rand	(	double	minval,
		double	maxval
	)

Carga los pesos con valores aleatorios uniformemente distribuidos desde minval hasta maxval.

Parámetros

[in]	minval	Mínimo valor.
[in]	maxval	Máximo valor.

◆ Save()

bool Pds::FCNn::Save ( std::string filename )

Salva los datos en un archivo binario.

Parámetros

[in] filename Archivo donde se salvan los datos.

Ejemplos: example_fcnn_training.cpp y example_fcnn_training_load.cpp.

◆ Evaluate() [1/3]

Pds::Vector Pds::FCNn::Evaluate ( const Pds::Vector & In )

Evalua la capa de la CNN.

Dada una red neuronal $f_{\mathbf{w}}()$ con pesos $\mathbf{w}$ , a cada vector de entrada $\mathbf{x}$ le corresponde la salida $\mathbf{y}$ , de modo que $\mathbf{y}= f_{\mathbf{w}}(\mathbf{x})$ .

Full conected neural network

Parámetros

[in] In Vector de entrada $\mathbf{x}$ .

Devuelve: Retorna un vector de salida $\mathbf{y}$ .

Ejemplos: example_fcnn_evaluate.cpp, example_fcnn_training.cpp y example_fcnn_training_load.cpp.

◆ Evaluate() [2/3]

bool Pds::FCNn::Evaluate	(	const Pds::Vector &	In,
		Pds::Vector &	Out
	)

Evalua la capa de la CNN.

Dada una red neuronal $f_{\mathbf{w}}()$ con pesos $\mathbf{w}$ , a cada vector de entrada $\mathbf{x}$ le corresponde la salida $\mathbf{y}$ , de modo que $\mathbf{y}= f_{\mathbf{w}}(\mathbf{x})$ .

Full conected neural network

Parámetros

[in]	In	Vector de entrada $\mathbf{x}$ .
[out]	Out	Vector de salida $\mathbf{y}$ .

◆ Evaluate() [3/3]

bool Pds::FCNn::Evaluate	(	const Pds::Matrix &	XIn,
		Pds::Matrix &	YOut
	)

Evalua la capa de la CNN.

Dada una red neuronal $f_{\mathbf{w}}()$ con pesos $\mathbf{w}$ , a cada vector de entrada $\mathbf{x}$ le corresponde la salida $\mathbf{y}$ , de modo que $\mathbf{y}= f_{\mathbf{w}}(\mathbf{x})$ y consecuentemente $\mathbf{y}^{(m)}= f_{\mathbf{w}}(\mathbf{x}^{(m)})$ .

$\mathbf{XIn}= \left[ \begin{matrix} \mathbf{x}^{(1)}\\ \mathbf{x}^{(2)}\\ \vdots\\ \mathbf{x}^{(m)}\\ \vdots\\ \mathbf{x}^{(M)}\\ \end{matrix} \right], \qquad \mathbf{YOut}= \left[ \begin{matrix} \mathbf{y}^{(1)}\\ \mathbf{y}^{(2)}\\ \vdots\\ \mathbf{y}^{(m)}\\ \vdots\\ \mathbf{y}^{(M)}\\ \end{matrix} \right],$

Parámetros

[in]	XIn	Matriz con datos en las lineas.
[out]	YOut	Matriz con datos en las lineas.

◆ Training()

bool Pds::FCNn::Training	(	const Pds::Matrix &	X,
		const Pds::Matrix &	Y,
		double	alpha,
		double	lambda
	)

Treina la NN como um bloque de datos entero X para encontrar una variacion de pesos.

Dada una red neuronal $f_{\mathbf{w}}()$ con pesos $\mathbf{w}$ , a cada vector de entrada $\mathbf{x}$ le corresponde la salida $\mathbf{y}$ , de modo que $\mathbf{y}= f_{\mathbf{w}}(\mathbf{x})$ . Internamente la red neuronal tiene neuronas en la capa , de modo que existen $\{n_0,n_1,...,n_l,...,n_{K-1}\}$ capas.

El entrenamiento es equivalente a iterar una unica vez.

$\mathbf{w} \leftarrow \mathbf{w} -\alpha \frac{\partial E_{\mathbf{X},\mathbf{Y}}(\mathbf{w})}{\partial \mathbf{w}}$

donde

$\begin{array}{ll} \mathbf{w}\equiv \{w_{ij}^l \},\\ l\equiv indice~layer,\\ i\equiv neuron~in~input~layer,\\ j\equiv neuron~in~output~layer \end{array}, \qquad \mathbf{X}= \left[ \begin{matrix} \mathbf{x}^{(1)}\\ \mathbf{x}^{(2)}\\ \vdots\\ \mathbf{x}^{(M)}\\ \end{matrix} \right], \qquad \mathbf{Y}= \left[ \begin{matrix} \mathbf{y}^{(1)}\\ \mathbf{y}^{(2)}\\ \vdots\\ \mathbf{y}^{(M)}\\ \end{matrix} \right], \qquad \begin{matrix} N_{out}=Y.Ncol();\\ N_{in}=X.Ncol();\\ \end{matrix}$

$\begin{array}{lll} E_{\mathbf{X},\mathbf{Y}}(\mathbf{w}) & = & -\frac{1}{M}\sum\limits_{m=1}^{M}\left[\sum\limits_{n=1}^{N_{out}} y_n^{(m)} log_2\left(f_{\mathbf{w}}(\mathbf{x}^{(m)})_n\right) + (1-y_n^{(m)}) log_2\left(1-f_{\mathbf{w}}(\mathbf{x}^{(m)})_n\right)\right]\\ ~ & ~ &+\frac{\lambda}{2 M}\sum\limits_{k=0}^{K-2} \sum\limits_{j=1}^{n_{k+1}} \sum\limits_{i=1}^{n_{k}} \left( w_{ji}^{k}\right)^2 \end{array}$

Parámetros

[in]	X	Matriz con datos en las lineas.
[in]	Y	Matriz con datos en las lineas.
[in]	alpha	Factor de aprendisaje.
[in]	lambda	Factor de regularizacion.

Ejemplos: example_fcnn_training.cpp y example_fcnn_training_load.cpp.

◆ Print()

void Pds::FCNn::Print ( std::string str = "" ) const

Muestra en pantalla el contenido de Pds::FCNn, elementos separados por tabulador.

Parámetros

[in] str Texto a mostrar antes de imprimir el contenido.

◆ PrintStylized()

void Pds::FCNn::PrintStylized ( std::string str = "" ) const

Muestra en pantalla el contenido de Pds::FCNn, en el formato (Nli,Ncol).

Parámetros

[in] str Texto a mostrar antes de imprimir el contenido.

◆ ~FCNn()

Pds::FCNn::~FCNn ( )

Namespaces

Estructuras de datos

Varios tipos de constructores

Inicializacion

Save e load

Evaluar

Training

Mostrando datos

Descripción detallada

Documentación de las funciones

◆ FCNn() [1/4]

◆ FCNn() [2/4]

◆ FCNn() [3/4]

◆ FCNn() [4/4]

◆ Rand()

◆ Save()

◆ Evaluate() [1/3]

◆ Evaluate() [2/3]

◆ Evaluate() [3/3]

◆ Training()

◆ Print()

◆ PrintStylized()

◆ ~FCNn()

Enlaces de interés