Geri Yayılımlı Yapay Sinir Ağı Kütüphanesi

İlgili yazılar: Geri Yayılımlı Yapay Sinir Ağları, GYYSA.dll İle OCR

Önemli not: Çok fazla nöron içeren ağlarda, hata fonksiyonu çok fazla yerel minimum içereceğinden, hata sıfıra yaklaştırılırken çok daha küçük adımlar kullanılmalıdır. Bu amaçla, adım büyüklüğünü ayarlayan öğrenme katsayısının, fazla sayıda nöronu olan ağlarda çok küçük seçilmesi gerekmektedir...

Güncellendi (06/04/2011, v1.3)

• Çok katmanlı ağlarda problem yaratan bir kodlama hatası giderildi.
• Ağ oluşturulurken girilen ve daha sonra değiştirilemeyen öğrenme katsayısının eğitim fonksiyonuna girilmesi sağlanarak eğitilmiş bir ağın yeniden eğitilmesi istendiğinde bu katsayının serbestçe seçilebilmesi sağlandı.
• Dendrit ağırlıkları güncellenirken, değişime bir önceki değişimin belli bir oranda eklenmesi ve böylece öğrenim sürecinde momentum etkisi yaratılarak yerel minimum noktalara takılmanın güçleştirilmesi sağlandı. Momentum etkisi istenmiyorsa momentum parametresine 0 değeri girilebilir.
• Tüm örnek kodlar yeni sürüme uyarlandı.

Güncellendi (04/03/2011)

• Normalde sadece 0 ve 1 değerlerini tutması istenen ve önceleri 'short int' olarak seçilen veri tipi, 'byte' ile değiştirildi.
• Her katmana yerleştirilebilecek maximum nöron sayısı 255 ile sınırlandırıldı.
• Bazı diller ile uyumsuz olan 'bool' dönüş tipi, daha uyumlu 'BOOL' tipi ile değiştirildi.
• Ağı dosyadan okuma esnasında, verilerin uygun veri tiplerine dönüşümünde kullanılan tampon bellek alanının yetersiz miktarda ayrılmasından kaynaklanan hata giderildi.

Güncellendi (14/02/2011)

• Kullanımı örneklemek amacıyla pakete C# ve VB.NET proje dosyaları eklendi.

Güncellendi (07/02/2011, v1.2)

• Hatirla fonksiyonunun kullanımını kolaylaştırmak ve uyumluluğunu arttırmak amacıyla değişiklikler yapıldı. Önceki sürümde, bu fonksiyondan dönen diziyi bazı dillerde okumak için ek fonksiyonlar gerekebiliyordu. Yapılan değişiklik ile çıkış dizisinin, fonksiyonu çağıran dil tarafından oluşturulup kütüphaneye yollanması sağlandı.

Güncellendi (23/01/2011, v1.0.1.87)

• Çok fazla nöron içeren ağlar eğitilirken meydana gelen ve bellek bölgelerinin eksik ayrılmasından kaynaklanan hata giderildi.
• İşlemlerin çoğu herbiri 8 bayt olan double tipleri üzerinde gerçekleştiriliyordu. Kütüphanedeki tüm double dizileri, herbir elemanı 4 bayt olan float dizileri ile değiştirildi.

Bundan yaklaşık 2 yıl önce VB6 ile bir YSA sınıfı yazıp bu sınıfı kullanarak birkaç uygulama yapmış ve uygulamalar ile ilgili bilgileri yayınlamıştım. Ziyaretçilerden konu ile ilgili, bir kısmı beni aşan pek çok soru geldi. Bu konu ile ilgilenenler için geri yayılımlı yapay sinir ağı konusunda ihtiyaç duyacakları fonksiyonların tümünü barındıran bir kütüphane hazırladım.

Geri yayılımlı yapay sinir ağı modeli ile ilgili bilgi edinmek için, şu an içinde bulunduğunuz kategorideki diğer yazılara göz atabilirsiniz.

Kütüphane yardımıyla istediğiniz kadar katmandan(tabi ki en az 2) ve her katmanda istediğiniz kadar nörondan oluşan yapay sinir ağları oluşturabilirsiniz. Oluşturduğunuz ağları eğitebilir, eğitilmiş ağları dosyalara kaydedip, sonraki bir zamanda eğitilmiş halleri ile geri yükleyebilirsiniz.

Dosyanın içinde, başlangıçta en sık denenen örnek olan XOR işlemi ile YSA'yı eğiten, C++ ve VB6 dilleriyle yazdığım 2 örnek var. Kütüphaneyi kullanmadan önce C++ Kütüphaneleri Ve Diller Arası Uyumsuzluklar yazısını okumanız faydalı olabilir.

Fonksiyonlar

Kütüphanenin içindeki fonksiyonlar:

BOOL AgOlustur(byte* KatmanDizisi, byte KatmanSayisi)
BOOL Egit(float OgrenmeKatsayisi, float Momentum, byte* GirisDizisi, byte* CikisDizisi)
void Hatirla(byte* GirisDizisi, float* CikisDizisi)
BOOL AgiKaydet(char* DosyaYolu)
BOOL AgiYukle(char* DosyaYolu)

AgOlustur

KatmanDizisi: Katman dizisi her katmanda kaç nöron bulunacağını bildirecek olan tamsayılardan oluşmalıdır. Fonksiyona bu dizinin ilk elemanının referansı gönderilmelidir.

KatmanSayisi: Kaç tane katman oluşturulacağını belirler. Bu değer, katman dizisinin boyutu kadar olmalıdır.

Fonksiyon başarılı olursa true, başarısız olursa false dödürür.

Egit

OgrenmeKatsayisi: Ağın öğrenme hızını ayarlayan sayıdır ve 0 ile 1 arasında değerler alır.

Momentum: Dendrit ağırlıkları güncellenirken, önceki değişimin yeni değişime hangi oranda ekleneceğini belirleyen katsayıdır. Bu katsayı öğrenme sürecine, hareket eden bir cismin sahip olduğu momentum etkisini kazandırır. Katsayı sıfırdan büyük girildiğinde, dendrit ağırlıklarında yapılacak değişim ani olarak artıp azalmaz. Böylece yerel minimumlara rastlandığında öğrenme sürecinin aniden yavaşlaması veya durması engellenir. Parametreye 0 veya 1 arasında değerler verilebilir. Öğrenme sürecinde momentum etkisi istenmiyorsa 0 değeri verilmelidir.

GirisDizisi: Sadece 0 veya 1lerden oluşan tamsayı dizisi. Fonksiyona dizinin ilk elemanının referansı gönderilmelidir.

CikisDizisi: Verilen giriş ile döndürülmek istenen çıkış dizisidir. Bu dizi yine sadece 0 veya 1lerden oluşan tamsayı dizisi olmalıdır. Fonksiyona dizinin ilk elemanının referansı gönderilmelidir.

Fonksiyon başarılı olursa true, başarısız olursa false döndürür.

Hatirla

GirisDizisi: Sadece 0 veya 1lerden oluşan tamsayı dizisi. Fonksiyona dizinin ilk elemanının referansı gönderilmelidir.

CikisDizisi: Bu parametreye çıkışları tutacak olan dizinin ilk elemanının referansı gönderilmelidir. Dizinin elemanları kütüphane tarafından doldurulur.

AgiKaydet

DosyaYolu: Ağın kaydedileceği dosyanın konumunu belirler. Tam yol yazılabileceği gibi sadece dosya adı da yazılabilir. Ağ dosyaya düz metin formatında kaydedilir. Fonksiyona, dosya yolunu bildirecek olan karakter dizisinin ilk harfinin adresi yollanmalıdır.

Fonksiyon başarılı olursa true, başarısız olursa false dödürür.

AgiYukle

DosyaYolu: Ağın bilgilerinin yer aldığı dosyanın konumunu belirler. Tam yol yazılabileceği gibi sadece dosya adı da yazılabilir. Fonksiyona, dosya yolunu bildirecek olan karakter dizisinin ilk harfinin adresi yollanmalıdır.

Fonksiyon başarılı olursa true, başarısız olursa false dödürür.

Uyumsuzlukları elimden geldiği kadar gidermeye çalıştım. Yine de kütüphaneyi başka dillerde kullanırken tür uyumsuzluklarının yol açabileceği problemlerle karşılaşmamak için C++ tipleri ile eşit boyutlarda tipler kullandığınızdan emin olun...

Leave Comment

Comments (6)