matrix weights1, weights2, weights3; // matrices de poids
matrix output1, output2, result; // matrices des sorties de la couche neuronale
input int layer1 = 200; // la taille de la première couche masquée
input int layer2 = 200; // la taille de la deuxième couche masquée
input int Epochs = 20000; // le nombre de passes d'entraînement
input double lr = 3e-6; // taux d'apprentissage
input ENUM_ACTIVATION_FUNCTION ac_func = AF_SWISH; // fonction d'activation
//+------------------------------------------------------------------+
//| Fonction de démarrage du programme |
//+------------------------------------------------------------------+
void OnStart()
{
//---
int train = 1000; // taille de l'échantillon d'entraînement
int test = 10; // taille de l'échantillon de test
matrix m_data, m_target;
//--- génére un échantillon d'apprentissage
if(!CreateData(m_data, m_target, train))
return;
//--- entraîne le modèle
if(!Train(m_data, m_target, Epochs))
return;
//--- génére un échantillon de test
if(!CreateData(m_data, m_target, test))
return;
//--- teste le modèle
Test(m_data, m_target);
}
//+------------------------------------------------------------------+
//| Méthode de génération d'échantillons |
//+------------------------------------------------------------------+
bool CreateData(matrix &data, matrix &target, const int count)
{
//--- initialise les données initiales et les matrices de résultats
if(!data.Init(count, 3) || !target.Init(count, 1))
return false;
//--- remplit la matrice de données initiale avec des valeurs aléatoires
data.Random(-10, 10);
//--- calcule les valeurs cibles pour l'échantillon d'apprentissage
vector X1 = MathPow(data.Col(0) + data.Col(1) + data.Col(1), 2);
vector X2 = MathPow(data.Col(0), 2) + MathPow(data.Col(1), 2) + MathPow(data.Col(2), 2);
if(!target.Col(X1 / X2, 0))
return false;
//--- retourne le résultat
return true;
}
//+------------------------------------------------------------------+
//| Méthode d'entraînement du modèle |
//+------------------------------------------------------------------+
bool Train(matrix &data, matrix &target, const int epochs = 10000)
{
//--- crée le modèle
if(!CreateNet())
return false;
//--- entraîne le modèle
for(int ep = 0; ep < epochs; ep++)
{
//--- passe anticipée
if(!FeedForward(data))
return false;
PrintFormat("Passe %d, loss %.5f", ep, result.Loss(target, LOSS_MSE));
//--- rétropropagation et mise à jour de la matrice de poids
if(!Backprop(data, target))
return false;
}
//--- retourne le résultat
return true;
}
//+------------------------------------------------------------------+
//| Méthode de création du modèle |
//+------------------------------------------------------------------+
bool CreateNet()
{
//--- initialise les matrices de poids
if(!weights1.Init(4, layer1) || !weights2.Init(layer1 + 1, layer2) || !weights3.Init(layer2 + 1, 1))
return false;
//--- remplit les matrices de poids avec des valeurs aléatoires
weights1.Random(-0.1, 0.1);
weights2.Random(-0.1, 0.1);
weights3.Random(-0.1, 0.1);
//--- retourne le résultat
return true;
}
//+------------------------------------------------------------------+
//| Méthode d'anticipation |
//+------------------------------------------------------------------+
bool FeedForward(matrix &data)
{
//--- vérifie la taille initiale des données
if(data.Cols() != weights1.Rows() - 1)
return false;
//--- calcule la première couche neuronale
matrix temp = data;
if(!temp.Resize(temp.Rows(), weights1.Rows()) ||
!temp.Col(vector::Ones(temp.Rows()), weights1.Rows() - 1))
return false;
output1 = temp.MatMul(weights1);
//--- calcule la fonction d'activation
if(!output1.Activation(temp, ac_func))
return false;
//--- calcule la deuxième couche neuronale
if(!temp.Resize(temp.Rows(), weights2.Rows()) ||
!temp.Col(vector::Ones(temp.Rows()), weights2.Rows() - 1))
return false;
output2 = temp.MatMul(weights2);
//--- calcule la fonction d'activation
if(!output2.Activation(temp, ac_func))
return false;
//--- calcule la troisième couche neurale
if(!temp.Resize(temp.Rows(), weights3.Rows()) ||
!temp.Col(vector::Ones(temp.Rows()), weights3.Rows() - 1))
return false;
result = temp.MatMul(weights3);
//--- retourne le résultat
return true;
}
//+------------------------------------------------------------------+
//| Méthode de rétropropagation |
//+------------------------------------------------------------------+
bool Backprop(matrix &data, matrix &target)
{
//--- vérifie la taille de la matrice des valeurs cibles
if(target.Rows() != result.Rows() ||
target.Cols() != result.Cols())
return false;
//--- détermine l'écart des valeurs calculées par rapport à la cible
matrix loss = (target - result) * 2;
//--- propage le gradient à la couche précédente
matrix gradient = loss.MatMul(weights3.Transpose());
//--- met à jour la matrice de poids de la dernière couche
matrix temp;
if(!output2.Activation(temp, ac_func))
return false;
if(!temp.Resize(temp.Rows(), weights3.Rows()) ||
!temp.Col(vector::Ones(temp.Rows()), weights3.Rows() - 1))
return false;
weights3 = weights3 + temp.Transpose().MatMul(loss) * lr;
//--- ajuste le gradient d'erreur par la dérivée de la fonction d'activation
if(!output2.Derivative(temp, ac_func))
return false;
if(!gradient.Resize(gradient.Rows(), gradient.Cols() - 1))
return false;
loss = gradient * temp;
//--- propage le gradient à une couche inférieure
gradient = loss.MatMul(weights2.Transpose());
//--- met à jour la matrice de poids de la deuxième couche cachée
if(!output1.Activation(temp, ac_func))
return false;
if(!temp.Resize(temp.Rows(), weights2.Rows()) ||
!temp.Col(vector::Ones(temp.Rows()), weights2.Rows() - 1))
return false;
weights2 = weights2 + temp.Transpose().MatMul(loss) * lr;
//--- ajuste le gradient d'erreur par la dérivée de la fonction d'activation
if(!output1.Derivative(temp, ac_func))
return false;
if(!gradient.Resize(gradient.Rows(), gradient.Cols() - 1))
return false;
loss = gradient * temp;
//--- met à jour la matrice de poids de la première couche cachée
temp = data;
if(!temp.Resize(temp.Rows(), weights1.Rows()) ||
!temp.Col(vector::Ones(temp.Rows()), weights1.Rows() - 1))
return false;
weights1 = weights1 + temp.Transpose().MatMul(loss) * lr;
//--- retourne le résultat
return true;
}
//+------------------------------------------------------------------+
//| Méthode de test du modèle |
//+------------------------------------------------------------------+
bool Test(matrix &data, matrix &target)
{
//--- propagation avant (feed forward) des données de test
if(!FeedForward(data))
return false;
//--- journalise les résultats du calcul du modèle et les valeurs vraies
PrintFormat("Test loss %.5f", result.Loss(target, LOSS_MSE));
ulong total = data.Rows();
for(ulong i = 0; i < total; i++)
PrintFormat("(%.2f + %.2f + %.2f)^2 / (%.2f^2 + %.2f^2 + %.2f^2) = Net %.2f, Target %.2f", data[i, 0], data[i, 1], data[i, 2],
data[i, 0], data[i, 1], data[i, 2], result[i, 0], target[i, 0]);
//--- retourne le résultat
return true;
}
//+------------------------------------------------------------------+
|