PyBrain - API e ferramentas

Agora sabemos como construir uma rede e treiná-la. Neste capítulo, entenderemos como criar e salvar a rede e como usar a rede sempre que necessário.

Salvar e recuperar rede

Vamos usar o NetworkWriter e o NetworkReader da ferramenta Pybrain, ou seja, pybrain.tools.customxml.

Aqui está um exemplo prático do mesmo -

from pybrain.tools.shortcuts import buildNetwork
from pybrain.tools.customxml import NetworkWriter
from pybrain.tools.customxml import NetworkReader

net = buildNetwork(2,1,1)
NetworkWriter.writeToFile(net, 'network.xml')
net = NetworkReader.readFrom('network.xml')

A rede é salva em network.xml.

NetworkWriter.writeToFile(net, 'network.xml')

Para ler o xml quando necessário, podemos usar o código da seguinte maneira -

net = NetworkReader.readFrom('network.xml')

Aqui está o arquivo network.xml criado -

<?xml version="1.0" ?>
<PyBrain>
   <Network class="pybrain.structure.networks.feedforward.FeedForwardNetwork" name="FeedForwardNetwork-8">
      <name val="'FeedForwardNetwork-8'"/>
      <Modules>
         <LinearLayer class="pybrain.structure.modules.linearlayer.LinearLayer" inmodule="True" name="in">
            <name val="'in'"/>
            <dim val="2"/>
         </LinearLayer>
         
         <LinearLayer class="pybrain.structure.modules.linearlayer.LinearLayer" name="out" outmodule="True">
            <name val="'out'"/>
            <dim val="1"/>
         </LinearLayer>
         
         <BiasUnit class="pybrain.structure.modules.biasunit.BiasUnit" name="bias">
            <name val="'bias'"/>
         </BiasUnit>
         
         <SigmoidLayer class="pybrain.structure.modules.sigmoidlayer.SigmoidLayer" name="hidden0">
            <name val="'hidden0'"/>
            <dim val="1"/>
         </SigmoidLayer>
      </Modules>
      
      <Connections>
         <FullConnection class="pybrain.structure.connections.full.FullConnection" name="FullConnection-6">
            <inmod val="bias"/>
            <outmod val="out"/>
            <Parameters>[1.2441093186965146]</Parameters>
         </FullConnection>
         
         <FullConnection class="pybrain.structure.connections.full.FullConnection" name="FullConnection-7">
            <inmod val="bias"/>
            <outmod val="hidden0"/>
            <Parameters>[-1.5743530012126412]</Parameters>
         </FullConnection>
         
         <FullConnection class="pybrain.structure.connections.full.FullConnection" name="FullConnection-4">
            <inmod val="in"/>
            <outmod val="hidden0"/>
            <Parameters>[-0.9429546042034236, -0.09858196752687162]</Parameters>
         </FullConnection>
         
         <FullConnection class="pybrain.structure.connections.full.FullConnection" name="FullConnection-5">
            <inmod val="hidden0"/>
            <outmod val="out"/>
            <Parameters>[-0.29205472354634304]</Parameters>
         </FullConnection>
      </Connections>
      
   </Network>
</PyBrain>

API

Abaixo está uma lista de APIs que usamos ao longo deste tutorial.

Para redes

• activate(input)- Leva parâmetro, ou seja, o valor a ser testado. Ele retornará o resultado com base na entrada fornecida.

• activateOnDataset(dataset) - Ele irá iterar sobre o conjunto de dados fornecido e retornar a saída.

• addConnection(c) - Adiciona conexão à rede.

• addInputModule(m) - Adiciona o módulo fornecido à rede e marca-o como módulo de entrada.

• addModule(m) - Adiciona o módulo fornecido à rede.

• addOutputModule(m) - Adiciona o módulo à rede e o marca como módulo de saída.

• reset() - Reinicia os módulos e a rede.

• sortModules()- Prepara a rede para ativação classificando internamente. Ele deve ser chamado antes da ativação.

Para conjuntos de dados supervisionados

• addSample(inp, target) - Adiciona uma nova amostra de entrada e destino.

• splitWithProportion(proportion=0.5) - Divide o conjunto de dados em duas partes, a primeira parte contendo os dados da parte da proporção e o próximo conjunto contendo o restante.

Para treinadores

trainUntilConvergence(dataset=None, maxEpochs=None, verbose=None, continueEpochs=10, validationProportion=0.25)- É usado para treinar o módulo no conjunto de dados até que ele converta. Se o conjunto de dados não for fornecido, ele tentará treinar no conjunto de dados treinado usado no início.