Carmen Suarez: Reporte de avance medio curso

Durante la primera mitad del semestre junto con mi compañero Adán implementamos una red neuronal que utilizaremos en nuestro proyecto para reconocer huellas digitales.

Antes que nada, investigué cosas relacionadas con huellas digitales, sus características y formas en las que se podían representar para obtener una entrada de datos para la neurona.

A lo largo de este tiempo, estuve leyendo el libro de redes neuronales que nos recomendó la maestra, con esto y las presentaciones de la maestra logré entender como funciona una red neuronal.

Empecé con el desarrollo de la neurona en algunas clases, con ayuda de mi compañero realizamos lo principal que era la entrada de datos y la sumatoria de las entradas con sus pesos correspondientes para después compararla con el umbral y obtener una salida. Después de que mi compañero finalizó esto, yo me encargue de implementar la tasa de aprendizaje para la neurona, para esto se le pedía al usuario la salida esperada, la cual se utiliza después para compararla con la salida obtenida en la función de activación y si estas son diferentes se realiza una modificación en los pesos. Implementé la ecuación con la tasa de aprendizaje para modificar la línea de separación de las clases.

Esta implementado para que se modifique este vector las veces que sea necesario para que pueda separar las clases adecuadamente. Al final tiene un contador que te dice cuantas veces falló y se tuvieron que modificar los pesos.

En la parte de la presentación grupal aporté algunas ideas así como también realicé el diagrama de arquitectura de la red neuronal. También estuve realizando pruebas para mostrar el resultado de la neurona gráficamente, pero tuve unos pequeños problemas que solucionaré para mostrarlo en la siguiente entrega. También estoy investigando sobre la red multicapa y el uso de más neuronas en nuestra red, actualmente estoy tratando de acoplar las entradas de datos binarios que se generaron de las imágenes que se encuentran en la base de datos para poder obtener una resultado real.

Código.

#!/usr/bin/python 
                                                                                                                                            
import random

x=[]
w=[]  #pesos
wn=[]  #pesos nuevos
wi=[]      #pesos nuevos insertados
alpha = 0.05
umbral = 0.5
t = 0
p = 0
res = 0
res2 = 0
suma = 0
mult = 0
i = 1
countErr=0

def inicio():

    global n
    n = input("Dame el numero de entradas ")
    for i in range(n):
        x.insert(i,random.uniform(0,2)) #generar cadena de entradas binarias aleatorias 
        w.insert(i,random.uniform(-1.0,1.0)) #generar cadenas de pesos random

    x.append(-1)   #agregar al vector de entradas un -1 al final
    print '\nVector de elementos de entrada generado \n', x[:]
                                                                                                       
    w.append(umbral)   #agregar al vector de pesos el umbral al final
    print '\nVector de elementos de pesos generado \n', w[:]
    
    sumatoria()      #brincar a la funcion sumatoria

    return n

def sumatoria():
    
    global suma
    suma=0
    res=0
    
    res = x[i] * w[i]   #sumatoria del producto de elementos de entrada por elmentos del peso
    suma = suma + res   #actualizar sumatoria
                                                                                                          
    #t = raw_input("\nSalida Esperada (0 o 1): ") #pedir al usuario salida esperada
    t = random.randint(0,1)  #generar solucion esperada aleatoria entre 0 y 1
    #t = int(t)
    print '\nLa salida aleatoria deseada es \n', t
                                                                                                  
    print '\nLa sumatoria de productos de entradas por pesos es:', suma #imprimir la sumatoria total del producto de entradas por pesos
    
    comparacion(t,n)   #brincar a la funcion comparacion
    
    return t

def comparacion(t,n):
    global countErr
    if(suma>=umbral): #comparar suma con el umbral
        
        p=1  #suma mayor o igual a 1, salida obtenida = 1
        print '\nLa salida obtenida = 1'
    
    else:
                                                                   
        p=0  #de lo contrario, salida obtenida = 0 
        print '\nLa salida obtenida = 0'
        
    i=1
    if(t!=p):  #si la salida esperada difiere de la salida producida, se realiza un cambio en el vector de pesos

        countErr +=1         
        wn[:]=[]
        for i in range(n+1):
            mult = alpha*(t-p)*x[i] #agregamos la tasa de aprendizaje alpha para modificar los pesos
            wi.insert(i,w[i] + mult)
            wn.insert(i,wi[i])  #agregamos a un vector nuevo los nuevos pesos
        wn.append(umbral)  #agregamos el umbral al final del vector de pesos nuevo
        w[:]=[]
        for i in range(n+1):
            w.insert(i,wn[i])
        
        print '\nVector de elementos de pesos nuevos generado es \n', wn[:] #imprimimos el vector nuevo de pesos
        
        sumatoria() #brincamos a la funcion sumatoria para volver a hacer calculas

        
    else:
        
        print 'La salida esperada fue diferente que la obtenida', countErr, 'veces'             

    return countErr, w[:]

def main():
    global x,n,w,wn,wi,umbral
    inicio()




main()

Version 2. http://www.mediafire.com/?25edyd5tdznr38p
Version 4. http://www.mediafire.com/?sduxz5qa7myqda7

Screenshots

Version 2.