본문 바로가기
Machine Learning/Algorithm

C++로 만드는 multilayer perceptron (MLP)

바나나인간 2018. 11. 2. 16:46

나도 이걸 왜 C++로 만들었는지 모르겄다 ^^;;



node.h

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
class node{
public:
    float w;
    float input;
    float output;
    node* tail;
 
    void link_node(node *pre, node *post){
        pre->tail = post;
    }
    void cal_output(node *pre){
        pre->output = (pre->input * pre->w);
    }
 
};
cs




main.cpp

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
#include <iostream>
#include <math.h>
#include <list>
#include "node.h"
 
using namespace std;
 
float learning_rate = 0.1;
 
int class0_num = 4;
int class1_num = 5;
 
int class0_x[4] = { -1, -1, 1, 1 };
int class0_y[4] = { 1, -1, 1, -1 };
int class1_x[5] = { -1, 0, 0, 1, 0 };
int class1_y[5] = { 0, -1, 1, 0, 0 };
 
float error_rate = 0;
 
float sigmoid(float x){
    float y = 0;
    y = 1 / (1 + exp(-x));
    return y;
}
float sigmoid_function_output(float x){
    float y = 0;
    y = sigmoid(x)*(1 - sigmoid(x));
    return y;
}
 
float get_error_rate(float output, float desired_value){
    return abs(desired_value - output);
}
 
void update_hidden_weight(node *hidden_node, node *output_node, float error_rate, float learning_rate){
    hidden_node->w = learning_rate * error_rate * sigmoid_function_output(output_node->input)*hidden_node->output;
}
void update_input_weight(node *input_node, node *hidden_node, node *output_node, float error_rate, float learning_rate){
    input_node->w = learning_rate * (error_rate * sigmoid_function_output(output_node->input) * hidden_node->w) * sigmoid_function_output(hidden_node->input) * input_node->input;
}
 
void MLP_one(int class0_x[4], int class0_y[4], int class1_x[5], int class1_y[5], node *input_bias, node *input_x, node *input_y, node *hidden_node1, node *output_node){
 
    //learning
    for (int i = 0; i < class0_num; i++){
        input_x->input = class0_x[i];
        input_y->input = class0_y[i];
        input_bias->input = 1;
 
        input_x->cal_output(input_x);
        input_y->cal_output(input_y);
        input_bias->cal_output(input_bias);
 
        hidden_node1->input += (input_x->output + input_y->output + input_bias->output);
    }
 
    for (int i = 0; i < class1_num; i++){
        input_x->input = class1_x[i];
        input_y->input = class1_y[i];
        input_bias->input = 1;
 
        input_x->cal_output(input_x);
        input_y->cal_output(input_y);
        input_bias->cal_output(input_bias);
 
        hidden_node1->input += (input_x->output + input_y->output + input_bias->output);
    }
 
    hidden_node1->cal_output(hidden_node1);
    output_node->input = hidden_node1->output;
    output_node->output = output_node->input;
 
    error_rate = get_error_rate(0.1, output_node->output);
 
    cout << error_rate << endl;
    cout << "x_w : " << input_x->w << " / y_w : " << input_y->w << " / bias_w : " << input_bias->w << endl;
 
 
    if (error_rate > 1.7){
        update_hidden_weight(hidden_node1, output_node, error_rate, learning_rate);
        update_input_weight(input_bias, hidden_node1, output_node, error_rate, learning_rate);
        update_input_weight(input_x, hidden_node1, output_node, error_rate, learning_rate);
        update_input_weight(input_y, hidden_node1, output_node, error_rate, learning_rate);
 
        error_rate = get_error_rate(output_node->output, 1.7);
        MLP_one(class0_x, class0_y, class1_x, class1_y, input_bias, input_x, input_y, hidden_node1, output_node);
    }    
}
 
void MLP_four(int class0_x[4], int class0_y[4], int class1_x[5], int class1_y[5], node *input_bias, node *input_x, node *input_y, node *hidden_node1, node *hidden_node2, node *hidden_node3, node *hidden_node4, node *output_node){
    //learning
    for (int i = 0; i < class0_num; i++){
        input_x->input = class0_x[i];
        input_y->input = class0_y[i];
        input_bias->input = 1;
 
        input_x->cal_output(input_x);
        input_y->cal_output(input_y);
        input_bias->cal_output(input_bias);
 
        hidden_node1->input += (input_x->output + input_y->output + input_bias->output);
        hidden_node2->input += (input_x->output + input_y->output + input_bias->output);
        hidden_node3->input += (input_x->output + input_y->output + input_bias->output);
        hidden_node4->input += (input_x->output + input_y->output + input_bias->output);
 
    }
 
    for (int i = 0; i < class1_num; i++){
        input_x->input = class1_x[i];
        input_y->input = class1_y[i];
        input_bias->input = 1;
 
        input_x->cal_output(input_x);
        input_y->cal_output(input_y);
        input_bias->cal_output(input_bias);
 
        hidden_node1->input += (input_x->output + input_y->output + input_bias->output);
        hidden_node2->input += (input_x->output + input_y->output + input_bias->output);
        hidden_node3->input += (input_x->output + input_y->output + input_bias->output);
        hidden_node4->input += (input_x->output + input_y->output + input_bias->output);
    }
 
    hidden_node1->cal_output(hidden_node1);
    hidden_node2->cal_output(hidden_node2);
    hidden_node3->cal_output(hidden_node3);
    hidden_node4->cal_output(hidden_node4);
 
    output_node->input += hidden_node1->output + hidden_node2->output + hidden_node3->output + hidden_node4->output;
    output_node->output = output_node->input;
 
    error_rate = get_error_rate(0.1, output_node->output);
 
    cout << error_rate << endl;
    cout << "x_w : " << input_x->w << " / y_w : " << input_y->w << " / bias_w : " << input_bias->w << endl;
 
 
    if (error_rate > 9){
        update_hidden_weight(hidden_node1, output_node, error_rate, learning_rate);
        update_hidden_weight(hidden_node2, output_node, error_rate, learning_rate);
        update_hidden_weight(hidden_node3, output_node, error_rate, learning_rate);
        update_hidden_weight(hidden_node4, output_node, error_rate, learning_rate);
 
        update_input_weight(input_bias, hidden_node1, output_node, error_rate, learning_rate);
        update_input_weight(input_x, hidden_node1, output_node, error_rate, learning_rate);
        update_input_weight(input_y, hidden_node1, output_node, error_rate, learning_rate);
 
        error_rate = get_error_rate(output_node->output, 1.7);
        MLP_four(class0_x, class0_y, class1_x, class1_y, input_bias, input_x, input_y, hidden_node1, hidden_node2, hidden_node3, hidden_node4, output_node);
    }
 
}
 
void MLP_five(int class0_x[4], int class0_y[4], int class1_x[5], int class1_y[5], node *input_bias, node *input_x, node *input_y, node *hidden_node1, node *hidden_node2, node *hidden_node3, node *hidden_node4, node *hidden_node5, node *output_node){
    for (int i = 0; i < class0_num; i++){
        input_x->input = class0_x[i];
        input_y->input = class0_y[i];
        input_bias->input = 1;
 
        input_x->cal_output(input_x);
        input_y->cal_output(input_y);
        input_bias->cal_output(input_bias);
 
        hidden_node1->input += (input_x->output + input_y->output + input_bias->output);
        hidden_node2->input += (input_x->output + input_y->output + input_bias->output);
        hidden_node3->input += (input_x->output + input_y->output + input_bias->output);
        hidden_node4->input += (input_x->output + input_y->output + input_bias->output);
        hidden_node5->input += (input_x->output + input_y->output + input_bias->output);
 
    }
 
    for (int i = 0; i < class1_num; i++){
        input_x->input = class1_x[i];
        input_y->input = class1_y[i];
        input_bias->input = 1;
 
        input_x->cal_output(input_x);
        input_y->cal_output(input_y);
        input_bias->cal_output(input_bias);
 
        hidden_node1->input += (input_x->output + input_y->output + input_bias->output);
        hidden_node2->input += (input_x->output + input_y->output + input_bias->output);
        hidden_node3->input += (input_x->output + input_y->output + input_bias->output);
        hidden_node4->input += (input_x->output + input_y->output + input_bias->output);
        hidden_node5->input += (input_x->output + input_y->output + input_bias->output);
    }
 
    hidden_node1->cal_output(hidden_node1);
    hidden_node2->cal_output(hidden_node2);
    hidden_node3->cal_output(hidden_node3);
    hidden_node4->cal_output(hidden_node4);
    hidden_node5->cal_output(hidden_node5);
 
    output_node->input += hidden_node1->output + hidden_node2->output + hidden_node3->output + hidden_node4->output + hidden_node5->output;
    output_node->output = output_node->input;
 
    error_rate = get_error_rate(0.1, output_node->output);
 
    cout << error_rate << endl;
    cout << "x_w : " << input_x->w << " / y_w : " << input_y->w << " / bias_w : " << input_bias->w << endl;
 
 
    if (error_rate > 12){
        update_hidden_weight(hidden_node1, output_node, error_rate, learning_rate);
        update_hidden_weight(hidden_node2, output_node, error_rate, learning_rate);
        update_hidden_weight(hidden_node3, output_node, error_rate, learning_rate);
        update_hidden_weight(hidden_node4, output_node, error_rate, learning_rate);
 
        update_input_weight(input_bias, hidden_node1, output_node, error_rate, learning_rate);
        update_input_weight(input_x, hidden_node1, output_node, error_rate, learning_rate);
        update_input_weight(input_y, hidden_node1, output_node, error_rate, learning_rate);
 
        error_rate = get_error_rate(output_node->output, 1.7);
        MLP_five(class0_x, class0_y, class1_x, class1_y, input_bias, input_x, input_y, hidden_node1, hidden_node2, hidden_node3, hidden_node4, hidden_node5, output_node);
    }
 
}
 
int main(){
 
    node *input_bias = new node();
    node *input_x = new node();
    node *input_y = new node();
 
    node *hidden_node1 = new node();
 
    node *output_node = new node();
 
    float error_rate = 0;
 
    //initial
    input_bias->w = -1;
    input_x->w = 0.3;
    input_y->w = -1;
    hidden_node1->w = 0.5;
 
//    MLP_one(class0_x, class0_y, class1_x, class1_y, input_bias, input_x, input_y, hidden_node1, output_node);
 
    //initial
    input_bias->w = -1;
    input_x->w = 0.7;
    input_y->w = 0.5;
    hidden_node1->w = 0.5;
 
    node *hidden_node2 = new node();
    node *hidden_node3 = new node();
    node *hidden_node4 = new node();
 
    hidden_node2->w = 0.3;
    hidden_node3->w = 0.1;
    hidden_node4->w = 0.05;
 
//    MLP_four(class0_x, class0_y, class1_x, class1_y, input_bias, input_x, input_y, hidden_node1, hidden_node2, hidden_node3, hidden_node4, output_node);
 
    node *hidden_node5 = new node();
    hidden_node5->w = 0.3;
 
    MLP_five(class0_x, class0_y, class1_x, class1_y, input_bias, input_x, input_y, hidden_node1, hidden_node2, hidden_node3, hidden_node4, hidden_node5, output_node);
 
    return 0;
 
 
}
cs



Result

1) one sigmoid nodes

4.6

x_w : 0.3 / y_w : -1 / bias_w : -1

2) four sigmoid nodes

0.102438

x_w : -0 / y_w : -0 / bias_w : -1.38717e-008

계속하려면 아무 키나 누르십시오 . . .

3) five sigmoid nodes

8.65

x_w : 0.7 / y_w : 0.5 / bias_w : -1

계속하려면 아무 키나 누르십시오 . . .

11.35

x_w : 0.7 / y_w : 0.5 / bias_w : -1

계속하려면 아무 키나 누르십시오 . . .

저작자표시 비영리

'Machine Learning > Algorithm' 카테고리의 다른 글

DQN Catch game 예제 코드  (1) 2019.09.12
Q-learning grid world 예제 코드  (0) 2019.09.08
기계는 사람의 말을 어떻게 이해할까? 워드 임베딩(Word embedding)  (1) 2019.08.09
C++로 만드는 perceptron  (0) 2018.11.02

'Machine Learning/Algorithm' Related Articles

티스토리툴바