アヤメの種類(setosa, versicolor, virginica)を判定する誤差逆伝搬法を用いたニューラルネットワークを書いてみた。
データセットは、各種類50個ずつ
それぞれ40個が学習用、残り10個がテスト用
つまり合計150のデータがあり、120が教師用、30がテスト用
隠れ層は用いず、入力層と出力層のみの2層構
入力層にはアヤメの4つの特徴量を入力
ここで4つの特徴量とは、以下に示す通り
Sepal Length (がく片の長さ)
Sepal Width (がく片の幅)
Petal Length (花びらの長さ)
Petal Width (花びらの幅)
上記より、入力層のノード数は4つとした。
また、出力層のノード数は2つとし、出力値はそれぞれ、
setosa : (1.0, 1.0)
versicolor : (1.0, 0.0)
virginica : (0.0, 0.0)
に対応させる
まずはクラス(Multi_layer_perceptron)の宣言。
void predict(int) は教師データにより学習させたのち、新たなテスト用のデータを入力してテストさせるための関数
neural8.cpp
#include <iostream>
#include <cmath>
#include <cstdlib>
#include <ctime>
#include <stdio.h>
using namespace std;
class Multi_layer_perceptron{
private:
/* the number of readed data fron file 読み込んだデータ数 */
int sample;
/* the number of train data 訓練データ数 */
int train_sample;
/* the number of test data テスト用データ数 */
int test_sample;
/* the number of node of each layer 各層のノード数 */
int in, hide, out;
/* the number of explanatory variables 説明変数 */
int variable = 0;
/* input layer 入力層 */
double *input1, *input2;
/* output layer 出力層 */
double *output1, *output2;
/* error layer 誤差関数 */
double *error2;
/* weight 重み係数 */
double **weight1;
/* delta 修正量 */
double *delta2;
/* bias バイアス */
double bias = 1.0;
/* output value (教師データ)出力値 */
double *answer;
/* 教師データ・訓練用データ */
double **test_data, **train_data;
/* sigmoid function */
double sigmoid(double x){
return 1.0 / (1.0 + exp(-x));
}
/* derivative of sigmoid function シグモイド関数の微分 */
double diff_sigmoid(double x){
return (1.0 - sigmoid(x)) * sigmoid(x);
}
public:
/* コンストラクタ */
Multi_layer_perceptron(int, int, int, int, int);
/* デストラクタ */
~Multi_layer_perceptron();
/* ファイル読み込み関数 */
void read_file(char*, int, int);
void forward_propagation(int);
/* 誤差逆伝搬法による重み係数の修正量 */
void back_propagation(int, double);
/* テスト */
void predict(int);
/* 重み係数表示 */
void print_weight();
};
以下のコンストラクタで、入力層や出力層のノード数に応じて重み係数などの配列の要素数を動的に確保する。重み係数の初期値は乱数で0から1の値に設定。
neural8.cpp
/* Constructor */
Multi_layer_perceptron::Multi_layer_perceptron(int n_in, int n_hide, int n_out, int n_test_sample, int n_train_sample){
int i, j;
/* the number of test data テスト用データの数 */
test_sample = n_test_sample;
/* the number of training data 教師データの数 */
train_sample = n_train_sample;
/* the number of reade data from file 読み込んだデータ数 */
sample = test_sample + train_sample;
/* unit number 各層のノード数 */
in = n_in;
hide = n_hide;
out = n_out;
/* allocate inputs */
input1 = new double[in+1];
input2 = new double[out];
/* allocate outputs */
output1 = new double[in+1];
output2 = new double[out];
/* allocate delta */
delta2 = new double[out];
/* allocate error */
error2 = new double[out];
/* allocate weight */
weight1 = new double*[in+1];
for(i = 0; i < in+1; i++) weight1[i] = new double[out];
/* initialize weight 重み係数を乱数により初期化 */
srand((unsigned)(time(0)));
for(i = 0; i < in+1; i++){
for(j = 0; j < out; j++){
//weight1[i][j] = 0.1;
weight1[i][j] = (double)rand() / (double)RAND_MAX;
}
}
/* allocate output value */
answer = new double[out];
cout << "Memory allocated ." << endl;
}
コメントが少ないが、アヤメのcsvファイルからデータを読み取り配列に格納する関数
2次元配列train_dataに教師データ(403 = 120個)、test_dataにテスト用データ(103 = 30個)をそれぞれ格納。
neural8.cpp
/* reading file ファイル読み込み */
void Multi_layer_perceptron::read_file(char* filename, int n_variable, int kind){
int i, j, k;
int flag = 0;
int train, test;
/* explanatory variables 説明変数 */
variable = n_variable;
/* the number of train or test data of each kind */
/* 各アヤメの種類ごとの教師or訓練用データ */
train = train_sample / kind;
test = test_sample / kind;
/* allocate training data */
train_data = new double*[train_sample];
for(i = 0; i < train_sample; i++) train_data[i] = new double[variable+out];
/* allocate test data */
test_data = new double*[test_sample];
for(i = 0; i < test_sample; i++) test_data[i] = new double[variable+out];
cout << "Star reading file ." << endl;
/* Start reading file */
FILE *fp;
fp = fopen(filename, "r");
if(fp == NULL){
cout << "can't open file ." << endl;
exit(1);
}
/* 各グループごとに読み取る */
for(k = 0; k < kind; k++){
/* 教師データの読み取り */
for(i = 0; i < train; i++){
for(j = 0; j < variable+out; j++){
if(j < variable+out-1){
if(fscanf(fp, "%lf, ", &train_data[i+train*k][j]) == EOF){
flag = 1;
break;
}
}else{
if(fscanf(fp, "%lf\n", &train_data[i+train*k][j]) == EOF){
flag = 1;
break;
}
}
}
/* 読み取るデータがなければ終了 */
if(flag == 1){
cout << "can't read file ." << endl;
exit(1);
}
}
/* テスト用データの読み取り */
for(i = 0; i < test; i++){
for(j = 0; j < variable+out; j++){
if(j < variable+out-1){
if(fscanf(fp, "%lf, ", &test_data[i+test*k][j]) == EOF){
flag = 1;
break;
}
}else{
if(fscanf(fp, "%lf\n", &test_data[i+test*k][j]) == EOF){
flag = 1;
break;
}
}
}
/* 読み取るデータがなければ終了 */
if(flag == 1){
cout << "can't read file ." << endl;
exit(1);
}
}
}
fclose(fp);
/* Finish reading file */
cout << "Finish reading file ." << endl;
}
重み係数を表示する関数
neural8.cpp
/* 重み係数の表示 */
void Multi_layer_perceptron::print_weight(void){
cout << "\n--Weight1--" << endl;
for(int i = 0; i < in+1; i++){
for(int j = 0; j < out; j++) cout << weight1[i][j] << ", ";
cout << endl;
}
}
(main関数内)
train_sample(教師データの個数) = 120, test_sample(テスト用データの個数) = 30
in(入力層のノード数) = 4, out(出力層のノード数) = 2
*今回は隠れ層がないため、hide(隠れ層のノード数)は考えない
explanatory_variable(説明変数) = 4 (特徴量の数であり、入力層ノード数と同じ)
の宣言
繰り返し回数repeat = 500回、学習率eta = 0.1に設定
netというオブジェクトを生成
net.read_file() でアヤメのデータを読み取る
2重のforループの中で、それぞれデータごとに
出力値と教師データの誤差関数を計算 net.forward_propagation
その誤差関数をもとに誤差逆伝搬法により重み係数を修正 net.back_propagation
これを500回繰り返す
void forward_propagation(int i) はi番目の教師データ(train_data[i][])を代入して出力値を計算
void _propagation(int i) はi番目のデータの誤差関数から重み係数を修正
計算した重み係数をもとに
predict関数によりテスト用データを1つずつ代入し、結果を確認
neural8.cpp
/* calculation of forward propagation of 'i'th data */
/* i番目の入力データから出力値を計算 */
void Multi_layer_perceptron::forward_propagation(int i){
int j, k;
/* calculation of input layer 入力層の計算 */
for(j = 0; j < in; j++){
input1[j] = train_data[i][j];
//output1[j] = sigmoid(input1[j]);
output1[j] = input1[j];
}
input1[in] = bias;
output1[in] = bias;
/* calculation of output layer 出力層の計算 */
for(j = 0; j < out; j++){
input2[j] = 0.0;
for(k = 0; k < in+1; k++) input2[j] += weight1[k][j] * output1[k];
output2[j] = sigmoid(input2[j]);
//output2[j] = input2[j];
}
}
/* back propagation 誤差逆伝搬法 */
void Multi_layer_perceptron::back_propagation(int i, double eta){
int j, k;
for(k = 0; k < out; k++) answer[k] = train_data[i][variable+k];
for(j = 0; j < in; j++){
for(k = 0; k < out; k++){
error2[k] = answer[k] - output2[k];
delta2[k] = -error2[k] * output2[k] * (1.0 - output2[k]);
weight1[j][k] += -eta * delta2[k] * output1[j];
}
}
}
/* テスト用データを計算する関数 */
void Multi_layer_perceptron::predict(int i){
int j, k;
/* calculation of input layer 入力層の計算 */
for(j = 0; j < in; j++){
input1[j] = test_data[i][j];
//output1[j] = sigmoid(input1[j]);
output1[j] = input1[j];
}
input1[in] = bias;
output1[in] = bias;
/* calculation of output layer 出力層の計算 */
for(j = 0; j < out; j++){
input2[j] = 0.0;
for(k = 0; k < in+1; k++) input2[j] += weight1[k][j] * output1[k];
output2[j] = sigmoid(input2[j]);
//output2[j] = input2[j];
}
/* テスト用データの計算結果の表示 */
printf("\nNo.%3d \n", i+1);
for(j = 0; j < out; j++)
printf("Output : %12.10lf (Ideal : %3.1lf )\n", output2[j], test_data[i][variable+j]);
}
/* Main function */
int main(void){
int i;
/* 教師データの数・テスト用データの数 */
int test_sample = 30, train_sample = 120;
/* 読み込むファイル */
char filename[30] = "iris3.csv";
/* 各層のノード数 */
int in = 4, hide = 2, out = 2;
/* 説明変数 */
int variable = 4;
/* 種類 */
int kind = 3;
/* learning times 学習回数 */
const int repeat = 500;
/* learning rate 学習率 */
double eta = 0.1;
/* Making object named "net" for neural network */
/* "net"というオブジェクト生成
* このオブジェクト内でデータの読み込み・学習を行う */
Multi_layer_perceptron net(in, hide, out, test_sample, train_sample);
net.read_file(filename, variable, kind);
cout << "Start neural network ." << endl;
/* training 学習 */
for(int time = 0; time < repeat; time++){
/* i番目の教師データから重み係数を修正する */
for(i = 0; i < train_sample; i++){
/* forward propagation */
net.forward_propagation(i);
/* back propagation 誤差逆伝搬法 */
net.back_propagation(i, eta);
}
}
/* -- finish neural network -- */
cout << "\nTest result .\n" << endl;
/* display the result of the test テスト結果表示 */
for(i = 0; i < test_sample; i++) net.predict(i);
cout << "\n(Reference)" << endl;
cout << "(1.0, 1.0) -- setosa" << endl;
cout << "(1.0, 0.0) --versicolor" << endl;
cout << "(0.0, 0.0) --virginica" << endl;
net.print_weight();
return(0);
}
最後にデストラクター
動的確保した配列のメモリをすべて開放
neural8.cpp
/* Destructor */
Multi_layer_perceptron::~Multi_layer_perceptron(){
/* delete memories */
delete[] input1;
delete[] input2;
delete[] output1;
delete[] output2;
delete[] error2;
delete[] delta2;
delete[] answer;
for(int i = 0; i < in+1; i++) delete[] weight1[i];
delete[] weight1;
for(int i = 0; i < train_sample; i++) delete[] train_data[i];
delete[] train_data;
for(int i = 0; i < test_sample; i++) delete[] test_data[i];
delete[] test_data;
}