Diagramja BPN neurális hálózat

Nem találom a koncepció a neurális hálózatok elég facinating, de mit tehettem tényleg? Én alakult két különböző típusú hálózatok, játszott velük, ezzel az egyszerű, klasszikus kísérletek, mint például a tanítás Vissza Terjedési Hálózat felismeri az ábécé minden levelet írt egy egyszerű 5 által 7 rács. Futottam variációk azokat a leveleket át a képzett hálózati biztos vagyok benne, felismerte a legtöbb őket. Ez már megtörtént korábban. Mit tehettem volna mást?

Aztán jött hozzám. Most, hogy volt Egy Legyőzhetetlen Genetikai Algoritmus játszani Xs és Os, ez lehetne tanítani egy neurális hálózat a játék. – Csökkentette a komplexitás a játék, lefelé, hogy 17 táblák egy -adatbázis – a O-lejátszó, valamint egy megfelelő táblázat 17 válasz, hogy minden helyzetben. Egy BPN neurális hálózat a feladat memorizálni a 17 táblák, a válaszok kell akkor egyszerűbb megtanulni az ábécét. Szükség lenne egy bemeneti réteg csak 18 egységek, valamint a kimeneti réteg csak 9 egység. Úgy döntöttem, 15 egységek a rejtett réteg. Talán ez lenne a világ legegyszerűbb neurális háló képes lejátszani TicTacToe.

Most kilenc négyzet egy táblára, minden lehet az értéke X, O, vagy üres. A hálózati lenne szükség, 9 pár bemenetek, hogy “látni” egy fórumon. Minden téren, akkor csatolni kell a bemeneti pár. A bemenet a pár lesz aktív egy X, a, bemenet B aktiválva van-e egy O, sem a bemenet aktív, abban az esetben egy üres négyzet.

Ott lenne a 9-es kimenet. A neurális hálózat képzett elé terjesztett minden fórumon az adat bázis a ‘minta’ a bemeneti, szükséges, hogy aktiválja a megfelelő a 9 kimenetek ez volt a válasz a genetikai algoritmus fejlődött ki, hogy az adott minta.

A végén volt egyszerű. A hálózati konvergált a meghatározott adatokat az első próbát. A BPN hálózati tanulta meg a lapok, hogy egy magas fokú bizalom.

Az első verzió a játék, azt forgatni és/vagy visszavert minden fórumon, hogy megfeleljen a konfiguráció a képzés meghatározott küldés előtt, hogy a neurális háló. Persze akkor tökéletes játékot játszott. Hamar rájöttem, hogy ez nagy butaság volt. Én voltam a neurális háló segítségével, mint egy adatbázis, ahol egy egyszerű táblázatában volna. Ez azt bizonyítja, hogy semmi sem az a célja, vagy a hatalom egy neurális hálózat azon túl, hogy sikeres volt a képzés.

Az egész ötlet segítségével BPN neurális hálózat, hogy foglalkoztat ez a mintázat felismerő képesség. Egy bemutat néhány példát a minták az egyik azt akarja, hogy megtanuljuk felismerni, a neurális háló extrapolates a készlet mintákra, hogy osztályozza egy ismeretlen minta.

Hogyan érhetem el, hogy ez egy értékes gyakorlat? Úgy döntöttem, érdekes lenne megnézni, hogy a neurális hálózat képes lehet felismerni a minta egy játék, helyzet volt képzett annak ellenére, hogy a testület forgatni egy bizonyos fokig.

Fontolja meg egy mintát az Xs,Os rendszer a táblán. Lehet forgatni, hogy a testület 90, 180, 270 fok. Attól még nem lesz pontosan ugyanaz a játék, helyzet, de mértékétől függően a szimmetria, a minta jelenik meg más minden forgatás. Hasonlóképpen is tükrözik, hogy a testület a tükör előtt (egy 180 fokos oldalirányú forgatás a Z gépre), illetve a minta kicsit más (ha nem a kétoldali szimmetria). Továbbá, azok után, ami a fórumon előfordulhat, három, több, 90 fokos forgatás az X, Y síkban, megint attól függően, hogy a szimmetria hiánya a minta. Összesen nyolc különböző nézetek lehetséges ugyanazon a táblán.

Most kilenc négyzet egy táblára, minden lehet az értéke X, O, vagy üres. A hálózati lenne szükség, 9 pár bemenetek, hogy “látni” egy fórumon. Minden téren, akkor csatolni kell a bemeneti pár. A bemenet a pár lesz aktív egy X, a, bemenet B aktiválva van-e egy O, sem a bemenet aktív, abban az esetben egy üres négyzet.

Én tanítottam a neurális háló csak két nézete, véleménye szerint az igazgatóság, mint az történt, hogy jelenik meg az adatbázisban, de a visszavert kilátás. Ez a két nézeteket képviselt csak egynegyede az összes lehetséges nézetek. Volna a neurális háló képes osztályozni megfelelően a testület forgatja helyzetben volt, soha nem láttam ezelőtt?

A válasz az volt, hogy igen, bár egy ilyen korlátozott példák egy nagyon összetett fogalom, egyértelműen jó harc. A felismerési arány csak 30% – át, de ez volt kétszer olyan jó, mint egyedül lehet venni. Ez is jó volt ahhoz, hogy a mérleget mellett a neurális hálózat nyerő. A két játékos, hogy véletlenszerűen mozog, az a játékos, aki megy először van egy nagy előnye a többi, az nyer, amelynek mértéke körülbelül két meccs az egyhez. A neurális háló játszott O, a játékos kijelölt második, mégis megverte X több, mint a fele az idő.

Most vettem észre, hogy amikor a testület csak történetesen ugyanaz a motívum, mint a képzés meghatározott, a neurális háló soha nem hibázik. Egy kísérlet, hogy lásd, milyen előnye egyedül ad, tegyük fel, hogy van olyan, hogy ha ez a helyzet, akkor használd a választ a neurális háló, valamint, ha a testület álláspontja szerint a neurális háló még soha nem láttam, csak, hogy egy véletlen mozdulat. A vizsgálatok azt mutatták, hogy ellen egy random player ez nem elég jó, hogy a neurális háló az az előnye, meg az ellenfél (aki mindig megy először) fog nyerni körülbelül 53% – a játékok. A betanított neurális hálózat felismerve csak 30% – a minták soha nem látott, győzött mintegy 52% – át időben, így X nagy előnye, hogy az első lépést.

A következő verzió, a megnövekedett képzési sor példát mutatnunk, hogy adjon még egy másik nézet az eredeti lista a táblák. Most különben is az eredeti 17 táblák, majd a 180 fokos oldalirányú forgatás a Z gép, én hozzá egy 180 függőleges forgatás a Z gép. Tenni, hogy egy másik módja volt az eredeti tábla lista, a tükör a képeket, az inverzió. Ezen túl, ki a 9. lehetséges-első X mozog (O válasza, hogy az első lépést, hogy legfőbb jelentősége.) Újra a hálózati konvergált ezen a bővített készlet mintákra.

Egy másik 100,000 játék, torna, ugyanabba a játékos, ezúttal O nyert 87% – a az összes játékkal nyerte meg mindkét oldalon, így csak 13% – a nyer X – a véletlenszerűen kiválasztott játékos, aki mindig megy először.

Minden mozog küldött, hogy a neurális háló, 41% – a volt pontosan ugyanazt a pozíciót a neurális hálót képeztek ki, így közvetlen keresést. Azonban, 58% – a mozog küldött, hogy a neurális háló voltak a forgatások még soha nem láttam ezelőtt. Ezek a táblák, a neurális háló, most válaszolt a helyes lépés egy óriási 81% – át az időt. A 19% nem tudta sorolni, több mint fele illegális mozog, s helyébe random mozog. Is, nagyon kis számú – mintegy 1% – a táblák során keletkezett játékok voltak táblák, amelyek a neurális háló soha nem kapott semmilyen képzést, valamint egy véletlenszerű válasz keletkezett ezekben az esetekben is. Összesen aztán, mintegy 7% – a mozog valójában véletlenszerűen mozog.

– Akkor tedd a hálózati kódot egy DLL, megmentette a súlyok szerzett a képzés egy fájlt, hogy a hálózat lehet feloldani, összedobott egy kis felület, így láthatja, hogy mi az, mint játszani a neurális hálózat. Ő egy ravasz ellenfél! Van is egy lehetőség, hogy játssz ellen, a genetikus algoritmus, de hamar rájönnek, hogy felesleges is gondolni ver. Van hozzá azt a lehetőséget, hogy játszani a véletlenszám-generátor. Hogy még érdekesebb, hogy egy algoritmus ki, hogy biztos nem egyszerű nyer is volt, amelyet a játékos egy esélyt, hogy dobja egyszerű blokk nem hiányzott a számítógép által. Ez az ‘ellenfél’ a nagyon is használt, hogy növekszik a genetikai algoritmusok kipróbálni a neurális hálózatok.

Akkor töltse le az alkalmazás -itt- [változat 1.2 – 43 Kb]. Csak csomagold ki a fájlokat egy mappába, majd kattintson az exe játszani. Nem kell semmit telepíteni, vagy rendetlenség a Windows rendszerleíró. Én is egy standard végrehajtása a BPN hálózat által David M. Skapura, a szerző egy kiváló könyvet olvastam neurális hálózatok. A forrás kód rendelkezésre áll -itt- [6 Kb].

Eredeti forrás http://www.tropicalcoder.com/NeuralNetwork.htm.