NNHelper – пакет на языке Go для создания и использования нейронной сети

Краткое содержание

Данная статья описывает работу пакета nnhelper, предназначенного для создания и использования нейронных сетей в программах на языке Go.

Если Вы уже знакомы с машинным обучением и используете его в своей работе, то эта статья и описанные в ней примеры могут показаться вам слишком простыми. Если Вы в начале пути и хотите познакомиться с этой темой или вам хотелось бы научиться использовать нейроматрицу в ваших программах на языке Go, то вы попали точно по адресу.

Go пакет nnhelper разработан для быстрого создания нейронной сети и использовании ее в приложениях, написанных на языке Go. Для использования nnhelper не потребуется ничего дополнительного, кроме Go. Пакет nnhelper является надстройкой над пакетом gonn. И это единственная внешняя зависимость.

Нейронная сеть (нейроматрица)

Давайте я попробую своими словами объяснить, что же такое нейронная сеть или нейроматрица, что бы не копировать сюда сложные и, возможно, непонятные с первого прочтения объяснения.

Нейроматрица — это массивы значений с плавающей запятой, позволяющие дать нужные выходные значения в зависимости от входных значений. На вход нейроматрицы подаются известные нам значения, а на выходе выдаются ожидаемые нами результаты.

Давайте с помощью нейроматрицы решим задачку «Минус на Минус дают Плюс». Для этого составим две таблички: одну с входными данными, другую с результатами.

У нас два входных параметра и два выходных параметра. На вход подаем два числа со знаком плюс или минус. На выходе получаем два числа со значениями от 0 до 1. Если первое значение близко к 1, то результат Плюс, если второе значение близко к 1, то результат Минус. Т.е. на вход мы подаем реальные значения, а на выходе получаем массив результатов. Выбираем самое большое значение из массива и считаем это ответом.

Входные данные:   Результаты (1ый  – это Плюс, 2ой – это минус):  1, 1  – плюс * плюс   1, 0 – плюс  1,-1  – плюс * минус  0, 1 – минус -1, 1  – минус* плюс   0, 1 – минус -1,-1  – минус* минус  1, 0 – плюс

Из подготовленных табличек с входными и выходными данными создается нейроматрица с помощью ее обучения. Входные данные подаются на входы матрицы. Матрица выдает выходные данные, которые сравниваются с результатом из нашей таблички результатов. На основании этих ответов в матрице меняются коэффициенты. Входные данные прокручиваются сотни, тысячи и даже сотни тысяч раз, пока ответы матрицы не станут достаточно точными.

Перейдём к программированию

Хватит слов и теории. Посмотрим, как это выглядит на практике.

Создадим папку для проекта. В ней создадим три файла:

main.go  sam03_inp.csv  sam03_tar.csv

В файлах *.csv разместим наши входные и выходные данные:

sam03_inp.csv

1,1 1,-1 -1,1 -1,-1

sam03_tar.csv

1,0 0,1 0,1 1,0

В файле main.go создадим функцию main и напишем код:

// Константы с именами файлов наших данных и самой матрицы const (     SAM03_NN  = "sam03.nn"     SAM03_INP = "sam03_inp.csv"     SAM03_TAR = "sam03_tar.csv" )  // Массив строк с понятными ответами для вывода на консоль humanAnswers := []string{"Plus", "Minus"}  // Создаем матрицу с 2-я входами и 2-я выходами, из csv файлов,  // если марица отсутствует на диске if _, err := os.Stat(SAM03_NN); errors.Is(err, os.ErrNotExist) {         log.Println("Create", SAM03_NN, "neural network")         nnhelper.Create(2, 4, 2, false, SAM03_INP, SAM03_TAR, SAM03_NN, true) }  // Загружаем матрицу из файла nn := nnhelper.Load(SAM03_NN)  // Предыдущий оператор создал матрицу и теперь мы ее используем/тестируем:  // создаем массив с данными для которых хотим получить результат и для этого, // в цикле, выполняем функции nn.Answer и nn.AnswerToHuman const (         PLUS  = 1.0         MINUS = -1.0     )      // Intput array for testing     in := [][]float64{         {PLUS, PLUS},   // Plus * Plus = Plus         {PLUS, MINUS},  // Plus * Minus = Minus         {MINUS, PLUS},  // Minus * Plus = Minus         {MINUS, MINUS}, // Minus * Minus = Plus         {3000, -0.001}, // Minus * Plus = Minus     }     for i := range in {         out := nn.Answer(in[i]...)         answer, _ := nn.AnswerToHuman(out, humanAnswers)         fmt.Println(in[i], answer, out)     }

Полный текст этого примера и файлы с данными находятся в папке examples/sam03

Запускаем пример на выполнение:

go run .

И получаем результаты:

[1 1] Plus [0.9944239772210877 0.005449692189449571] [1 -1] Minus [0.006860785779850435 0.9935960167863507] [-1 1] Minus [0.005651009980489101 0.994384581174021] [-1 -1] Plus [0.9944591181959666 0.005221796400203198] [3000 -0.001] Minus [0.005445102841471242 0.9960123783099599]

В результатах видим (см. первую строку):

• наши исходные данные: [1,1]

• результат переведенный в понятный вид:  Plus

• результат полученный с выходов матрицы: [0.9944239772210877 0.005449692189449571]

Обратите внимание на последнюю строчку результатов. Наша матрица смогла дать правильный ответ на «неизвестные» входные данные. В этом и есть весь вкус нейронных сетей. Матрица дает ответы не только на входные данные, которым была обучена, но и на другие неизвестные ей входные параметры.

Что бы увидеть процесс обучения нейронной сети, нужно удалить файл sam03.nn и запустить пример.

Ну, пожалуй, на этом я закончу. Очень давно мечтал написать понятное и простое объяснение о том, как можно использовать нейронные сети в программировании. Надеюсь, что у меня это получилось.

В пакете есть ещё два примера:

• sam02: На вход подаем время в 24-часовом формате и получаем ответ: Утро, Вечер, День или Ночь;

• sam01: Пример матрицы для получения реакции игрового бота. На вход подается количество здоровья, наличие оружия, количество врагов, а на выходе получаем ответ на вопрос «что делать»: атаковать, красться, убегать или ничего не делать. 

Пакет размещен на Github:
https://github.com/kirill-scherba/nnhelper

С уважением,
Kirill Scherba