RNA

Transparencias de la clase

Ejercicio de entrenamiento de perceptron:
Pedro Ponce Cruz. Inteligencia Artificial con aplicaciones a la Ingeniería

Comandos Básicos para RNA en Matlab


PERCEPTRÓN

%perceptrón para compuerta or

entrada = [0 0 1 1; 0 1 0 1];
objetivo = [0 1 1 1];
net= perceptron;
net = train(net,entrada,objetivo);
view(net)
salida = net(entrada)

pesos=net.IW{1,1}
bias=net.b{1,1}

salida =

     0     1     1     1


pesos =

     1     1


bias =

    -1

%perceptrón para compuerta and

entrada = [0 0 1 1; 0 1 0 1];
objetivo = [0 0 0 1];
net= perceptron;
net = train(net,entrada,objetivo);
view(net)
salida = net(entrada)

pesos=net.IW{1,1}
bias=net.b{1,1}

salida =

     0     0     0     1


pesos =

     2     1


bias =

    -3

A continuación se presenta el código en Matlab para entrenamiento de RNA para identificación de las vocales:

clc; clear all
format long
%cada letra ha sido formada de 5x5


p1=[1;1;1;1;1;
        1;0;0;0;1;
        1;1;1;1;1;
        1;0;0;0;1;
        1;0;0;0;1];%A
p2=[1;1;1;1;1;
       1;0;0;0;0;
       1;1;1;1;1;
       1;0;0;0;0;
       1;1;1;1;1];%E
p3=[1;1;1;1;1;
        0;0;1;0;0;
        0;0;1;0;0;
        0;0;1;0;0;
        1;1;1;1;1];%I
p4=[1;1;1;1;1;
        1;0;0;0;1;
        1;0;0;0;1;
        1;0;0;0;1;
        1;1;1;1;1];%O
p5=[1;0;0;0;1;
        1;0;0;0;1;
        1;0;0;0;1;
        1;0;0;0;1;
        1;1;1;1;1];%U


p=[p1 p2 p3 p4 p5];

t=[1 2 3 4 5];

net=newff(minmax(p),[5,1],{'logsig','purelin'},'trainlm');

net.trainparam.show=50;
net.trainparam.lr=0.05;
net.trainparam.max_fail=5;
net.trainparam.mem_reduc=1;
net.trainparam.min_grad=1e-10;
net.trainparam.mu=0.001;
net.trainparam.mu_inc=10;
net.trainparam.time=inf;
net.trainparam.epochs=300;
net.trainparam.goal=1e-5;

[net,tr]=train(net,p,t);

salida=sim(net,p)

error=t-salida

% w1=net.IW{1,1}
% b1=net.b{1}
% w2=net.LW{2,1}
% b2=net.b{2}
salida =

  Columns 1 through 3

   1.000085467909067   1.999946818882386   3.000529880564610

  Columns 4 through 5

   3.999966692564740   4.999945294745124


error =

   1.0e-03 *

  Columns 1 through 3

  -0.085467909067383   0.053181117613876  -0.529880564609453

  Columns 4 through 5

   0.033307435260532   0.054705254876275

EJEMPLO DE RED NEURONAL EN PYTHON 

COMPUERTA XOR

Python
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
# COMPUERTA XOR EN PYTHON USANDO KERAS
import numpy as np
from keras.models import Sequential
from keras.layers.core import Dense
 
# ENTRADA las 4 combinaciones de las compuertas XOR
training_data = np.array([[0,0],[0,1],[1,0],[1,1]], "float32")
 
# OBJETIVO en el mismo orden
target_data = np.array([[0],[1],[1],[0]], "float32")
 
model = Sequential()
model.add(Dense(16, input_dim=2, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
 
model.compile(loss='mean_squared_error',
              optimizer='adam',
              metrics=['binary_accuracy'])
 
model.fit(training_data, target_data, epochs=1000)
 
# evaluamos el modelo
scores = model.evaluate(training_data, target_data)
 
print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
print (model.predict(training_data).round())

Resultado

Epoch 1/1000 1/1 [==============================] - 14s 14s/step - loss: 0.2343 - binary_accuracy: 0.7500 Epoch 2/1000 1/1 [==============================] - 0s 6ms/step - loss: 0.2341 - binary_accuracy: 0.5000

.

.

.

.

Epoch 999/1000 1/1 [==============================] - 0s 4ms/step - loss: 0.0207 - binary_accuracy: 1.0000 Epoch 1000/1000 1/1 [==============================] - 0s 4ms/step - loss: 0.0206 - binary_accuracy: 1.0000 1/1 [==============================] - 1s 849ms/step - loss: 0.0206 - binary_accuracy: 1.0000 binary_accuracy: 100.00% [[0.] [1.] [1.] [0.]]