brinkinvision / wideLearning
CI/CD
Реестр контейнеров и пакетов
wide-learning
brinkinvision
auto_select and wdl_pro update
1 год назад История
README.md

wideLearning

Инструкция | Github | PyPI | Пример новых вариантов использования

Публикации

  1. Гиниятуллин В.М., Ермолаев Е.В., Хлыбов А.В. ФОРМАЛИЗАЦИЯ ПРОЦЕДУРЫ ПОДБОРА СВЕРТОЧНЫХ ЯДЕР. Вестник кибернетики. 2022;(2 (46)):66-74. https://doi.org/10.34822/1999-7604-2022-2-66-74
https://www.vestcyber.ru/jour/article/view/437
  1. Гиниятуллин В.М., Хлыбов А.В., Федоров М.А., Асадуллин Т.А., Крутин А.С., Осипов И.А., Зарипов Д.М. СРАВНЕНИЕ ТИПОВ ЯДЕР В СВЕРТОЧНЫХ СЛОЯХ НЕЙРОННЫХ СЕТЕЙ. Вестник кибернетики. 2022;(3 (47)):84-98. https://doi.org/10.34822/1999-7604-2022-3-84-98
https://www.vestcyber.ru/jour/article/view/461

Минимальные требования к аппаратной части:

  • Операционная система: Windows 7 или выше (64-bit), Linux (64-bit)
  • Оперативная память: не менее 2 GB
  • Процессор: двухъядерный с частотой 1.6 GHz или выше
  • Свободное место на жестком диске: не менее 2 GB

Направления прикладного использования:

  1. Компьютерное зрение. Упрощение архитектур сверточных нейронных сетей для задач классификации и распознавания изображений, сегментации и детектирования объектов.
  2. Медицинская диагностика. Оптимизация нейронных сетей, используемых при анализе изображений и сигналов, полученных от медицинских приборов. Может использоваться для обнаружения и классификации заболеваний.
  3. Рекомендательные системы. Может использоваться для классификации на основе некоторых признаков контента и выдачи персонализированных рекомендаций.
  4. Развертывание моделей нейронных сетей на устройствах малой вычислительной мощности, например, мобильные гаджеты (смартфоны/планшеты), встраиваемые устройства (промышленные контроллеры/смарт-устройства) и т.п.

Установка

pip install widelearning

Импорт библиотеки

import widelearning as wdl

Описание функций

txt_kernel(file_path)

Функция преобразования сгенерированного ядра для вставки в структуру TensorFlow 
(для черно-белых, одноканальных изображений)

Параметры
----------
file_path : str
    путь к текстовому файлу, содержащему сверточное ядро, записанное в следующем виде 
    (с запятыми в конце каждой строки)
    1,2,3,
    4,5,6,
    7,8,9,

Пример использования:
wdl.txt_kernel('horizontal.txt')

txt_kernel_rgb(k1, k2, k3)

Функция преобразования сгенерированного ядра для вставки в структуру TensorFlow 
(для цветных, трехканальных изображений)

Параметры
----------
k1 : str
    путь к текстовому файлу, содержащему сверточное ядро первого цветового канала R, записанное в следующем виде 
    (с запятыми в конце каждой строки)
    1,2,3,
    4,5,6,
    7,8,9,
k2 : str
    путь к текстовому файлу, содержащему сверточное ядро второго цветового канала G
k3 : str
    путь к текстовому файлу, содержащему сверточное ядро третьего цветового канала B

Пример использования:
wdl.txt_kernel_rgb('k1.txt', 'k2.txt', 'k3.txt')

add_kernel(path, init_kernel)

Функция позволяет устанавливать дополнительные ядра сверточного слоя к уже установленным исходным
(для черно-белых, одноканальных изображений)

Параметры
----------
path : str
    путь к файлу в формате txt, который содержит значения сгенерированного сверточного ядра, 
    добавляемого к исходным
init_kernel : list
    значения исходного/ых ядер, к которым происходит добавление. 
    Это может быть либо переменная, которой присвоено значение исходных ядер, 
    либо сами значения, полученные после преобразования с помощью функции txt_kernel:
    [[[[1]], [[2]], [[3]]], [[[4]], [[5]], [[6]]], [[[7]], [[8]], [[9]]]].

Пример использования:
wdl.add_kernel('vertical.txt', w1)

add_kernel_rgb(k1, k2, k3, w)

Функция позволяет устанавливать дополнительные ядра сверточного слоя к уже установленным исходным
(для цветных, трехканальных изображений)

Параметры
----------
k1 : str
    путь к файлу в формате txt, который содержит значения сгенерированного сверточного ядра первого цветового канала R, 
    добавляемого к исходным в данном цветовом канале
k2 : str
    путь к файлу в формате txt, который содержит значения сгенерированного сверточного ядра второго цветового канала G, 
    добавляемого к исходным в данном цветовом канале
k3 : str
    путь к файлу в формате txt, который содержит значения сгенерированного сверточного ядра первого цветового канала B, 
    добавляемого к исходным в данном цветовом канале
w : list
    значения исходного/ых ядер, к которым происходит добавление. 
    Это может быть либо переменная, которой присвоено значение исходных ядер, 
    либо сами значения, полученные после преобразования с помощью функции txt_kernel_rgb

Пример использования:
wdl.add_kernel_rgb('k1.txt', 'k2.txt', 'k3.txt', w1)

horizontal(dim, values)

Функция для генерации линейного сверточного ядра горизонтального типа

Параметры
----------
dim : int
    размерность генерируемой матрицы 
values : list
    список значений, которые будут использоваться для заполнения матрицы.

Пример использования:
wdl.horizontal(32, [-7,-5,-3,-1,1,3,5,7])

vertical(dim, values)

Функция для генерации линейного сверточного ядра вертикального типа

Параметры
----------
dim : int
    размерность генерируемой матрицы 
values : list
    список значений, которые будут использоваться для заполнения матрицы.

Пример использования:
wdl.vertical(32, [-7,-5,-3,-1,1,3,5,7])

diagonal(up, down, d, dimension)

Функция для генерации линейного сверточного ядра диагонального типа

Параметры
----------
up : list
    список значений, которые будут размещены над диагональю выходной матрицы
down : list
    список значений, которые будут размещены ниже диагонали
d : int
    значение, из которого состоит диагональ.
dimension : int
    размерность генерируемого ядра

Пример использования:
wdl.diagonal([-7, -5, -3, -1], [1, 3, 5, 7], 1, 32)

show_kernel(N, name)

Функция вывода коэффициентов сверточного ядра на экран пользователя

Параметры
----------
N : int
    номер слоя, для которого необходимо вывести значения весовых коэффициентов
name : object
    объект модели нейронной сети
    название переменной, которой присвоена структура модели

Пример использования:
wdl.show_kernel(0, model)

auto_select(neuron, path, label, target, quantity)

Функция для расчета первоначального приближения с автоматическим выбором целевого класса.

Параметры
----------
neuron : int
    номер нейрона, для которого производится расчет
path : str
    путь к целочисленной обучающей выборке в формате csv 
label : str
    название столбца с метками классов
target : str, list
    параметр, на основании которого выбирается целевой класс
    1. 'up' - максимальное количество отсеченных экземпляров сверху
    2. 'mx_ratio' - максимальная доля отсеченных экземпляров к неотсеченным сверху
    3. [class] - собственный выбор целевого класса, вместо class необходимо добавить название класса в виде строки или числа 
quantity : str
    'many' - если обучающая выборка содержит более двух классов
    'binary' - для бинарного варианта набора данных
    
Пример использования:
wdl.auto_select(1, 'KH_train.csv', 'UNS', ['very_low'], 'many') 
wdl.auto_select(8, 'KH_train.csv', 'UNS', 'mx_ratio', 'binary')

select_top(path, label)

Функция позволяет получить грубое первоначальное приближение вектора весов

Параметры
----------
path : str
    путь к целочисленной обучающей выборке в формате csv
label : str
    название столбца с метками классов

Пример использования:
wdl.select_top('KAHRAMAN_train.csv', 'UNS')

select_top_binary(path, label)

Функция позволяет получить грубое первоначальное приближение вектора весов для бинарной обучающей выборки

Параметры
----------
path : str
    путь к целочисленной бинарной обучающей выборке в формате csv
label : str
    название столбца с метками классов

Пример использования:
wdl.select_top_binary('train_6.csv', 'UNS')

grad_boost(path, t, oth, l, s, from_initial, weights_main)

Вспомогательная функция для корректировки весовых коэффициентов с помощью градиентного уточнения, одиночный проход по вектору

Параметры
----------
path : str
    путь к обучающей выборке, подаваемой на вход функции select_top
t : list
    метка выбранного на этапе первоначального приближения целевого класса
oth : list
    список, содержащий метки оставшихся классов, которые не относятся к целевому
l : str
    название столбца с метками классов
s : int
    шаг изменения значений элементов вектора весов, шаг градиентного уточнения;
from_initial : int
    1, если вектор берется из select_top (грубое приближение), 
    0 - если вектор снова корректируется (после grad_boost)
weights_main : list
    вектор весов для корректировки

grad_boost_save_files(path, t, oth, l, s, from_initial, weights_main)

Вспомогательная функция для сохранения усеченных обучающих выборок и скорректированных векторов весов после градиентного уточнения

Параметры
----------
path : str
    путь к обучающей выборке, подаваемой на вход функции select_top
t : list
    метка выбранного на этапе первоначального приближения целевого класса
oth : list
    список, содержащий метки оставшихся классов, которые не относятся к целевому
l : str
    название столбца с метками классов
s : int
    шаг изменения значений элементов вектора весов, шаг градиентного уточнения;
from_initial : int
    1, если вектор берется из select_top (грубое приближение), 
    0 - если вектор снова корректируется (после grad_boost)
weights_main : list
    вектор весов для корректировки

grad(path, t, oth, l, s, weights)

Функция осуществляет градиентное уточнение полученного после первоначального приближения вектора весов 

Параметры
----------
path : str
    путь к обучающей выборке, подаваемой на вход функции select_top
t : list
    метка выбранного на этапе первоначального приближения целевого класса
oth : list
    список, содержащий метки оставшихся классов, которые не относятся к целевому
l : str
    название столбца с метками классов
s : int
    шаг изменения значений элементов вектора весов, шаг градиентного уточнения
weights_main : list
    вектор весов, значения которого необходимо изменить с целью получения большего количества 
    отсеченных экземпляров обучающей выборки

Пример использования:
wdl.grad('KAHRAMAN_train.csv', ['High'], ['very_low', 'Low', 'Middle'], 'UNS', 1, [455.02247191011236, 552.8764044943821, 273.38202247191015, 518.2921348314607, 2276.179775280899])

grad_binary(path, t, oth, l, s, weights_main)

Функция осуществляет градиентное уточнение полученного после первоначального приближения вектора весов 
для бинарной обучающей выборки

Параметры
----------
path : str
    путь к бинарной обучающей выборке, подаваемой на вход функции select_top
t : list
    метка выбранного на этапе первоначального приближения целевого класса
oth : list
    список, содержащий метки оставшихся классов, которые не относятся к целевому
l : str
    название столбца с метками классов
s : int
    шаг изменения значений элементов вектора весов, шаг градиентного уточнения
weights_main : list
    вектор весов, значения которого необходимо изменить с целью получения большего количества 
    отсеченных экземпляров обучающей выборки

Пример использования:
wdl.grad_binary('train_6.csv', ['Low'], ['Middle'], 'UNS', 1, [1009.0, 48.0, -929.0, -1056.0, -13.0])

data_int(path, decimal, name)

Функция преобразует набор данных, представленный в вещественнозначном виде в целочисленный вид

Параметры
----------
path : str
    путь к обучающей выборке в формате csv
decimal : str
    путь к текстовому файлу, содержащему в каждой строке число, обозначающее количество десятичных знаков после 
    запятой в соответствующем столбце выборки
name : str
    аргумент функции, обозначающий желаемое название выходных генерируемых файлов

Пример использования:
wdl.data_int('kahraman.csv', 'dec.txt', 'KAHRAMAN')

scale_weights(label, data_folder, weights_folder)

Функция для масштабирования полученных векторов весов в диапазон от -1 до +1

Параметры
----------
label : str
    название столбца с метками классов
data_folder : str
    путь к папке, содержащей обучающие выборки каждого нейрона
weights_folder : str
    путь к папке, содержащей веса каждого нейрона

Пример использования:
wdl.scale_weights('UNS', 'data/', 'weights/')

generate_fa(label, data_folder, weights_folder)

Функция, которая на основании проведенного обучения модифицированного полносвязного слоя, генерирует вложенную 
логическую функцию активации для проверки весовых коэффициентов на тестовых данных

Параметры
----------
label : str
    название столбца обучающих выборок, в котором содержатся наименования (метки) классов
data_folder : str
    путь к папке result, сгенерированной в результате выполнения функции scale_weights
weights_folder : str
    путь к каталогу scale, который сгенерирован после применения функции scale_weights

Пример использования:
wdl.generate_fa('UNS', 'result', 'scale')

check_test(train, weights, test, label)

Функция осуществляет проверку обучения с помощью правил логического вывода

Параметры
----------
train : str
    путь к полной целочисленной обучающей выборке
weights : str
    путь к текстовому файлу weights.txt из сгенерированного каталога all_weights после функции scale_weights
test : str
    путь к целочисленной тестовой выборке (в случае проверки обучающей выборки передается путь к полной обучающей выборке, 
    аналогичный параметру train)
label : str
    название столбца с метками классов

Пример использования:
wdl.check_test('train_1.csv', 'weights.txt', 'KAHRAMAN_test.csv', 'UNS')

getNameColumn(nameFileTrain)

Вспомогательная функция для определения названий всех столбцов, кроме столбца с метками классов

Параметры
----------
nameFileTrain : str
    путь к обучающей выборке

getCountNeuronSizeVector(nameFileTrain)

Вспомогательная функция для определения необходимого количества нейронов в слое

Параметры
----------
nameFileTrain : str
    путь к обучающей выборке

initializingDictionaryKeys()

Вспомогательная функция для инициализации ключей для правила логического вывода

initializationDictionaryValues(nameFileTrain)

Вспомогательная функция для создания словаря логического вывода

Параметры
----------
nameFileTrain : str
    путь к обучающей выборке

count_conv_operations(height, width, color_channels, kernel_size, stride, num_kernels)

Функция для подсчета количества вычислительных операций в сверточном слое 

Параметры
----------
height : int
    высота исходного изображения выборки данных
width : int
    ширина исходного изображения
color_channels : int
    количество цветовых каналов изображения 
    (1 – если изображение представлено в черно-белом одноканальном виде, 3 – если изображение является цветным)
kernel_size : int
    размерность сверточного ядра квадратной формы
stride : int
    шаг прохода сверточного ядра по изображению
num_kernels : int
    количество сверточных ядер в слое

Пример использования:
wdl.count_conv_operations(28, 28, 1, 14, 7, 4)

Шаблоны вызова функций сверточного слоя

wdl.txt_kernel('путь_к_сгенерированному_ядру.txt')

wdl.txt_kernel_rgb('путь_к_сгенерированному_ядру_ПЕРВОГО_цветового_канала.txt', 'путь_к_сгенерированному_ядру_ВТОРОГО_цветового_канала.txt', 'путь_к_сгенерированному_ядру_ТРЕТЬЕГО_цветового_канала.txt')

wdl.add_kernel('путь_к_добавляемому_ядру.txt', переменная_уже_установленных_ядер)

wdl.add_kernel_rgb('путь_к_добавляемому_ядру_ПЕРВОГО_цветового_канала.txt', 'путь_к_добавляемому_ядру_ВТОРОГО_цветового_канала.txt', 'путь_к_добавляемому_ядру_ТРЕТЬЕГО_цветового_канала.txt', переменная_уже_установленных_ядер)

wdl.horizontal(размерность_ядра, [список_значений_ядра])

wdl.vertical(размерность_ядра, [список_значений_ядра])

wdl.diagonal([список_значений_выше_диагонали], [список_значений_ниже_диагонали], значение_диагонали, размерность_ядра)

wdl.show_kernel(номер_сверточного_слоя, объект_модели)

wdl.count_conv_operations(высота_изображения, ширина_изображения, количество_цветовых_каналов, размерность_квадратного_ядра, шаг_ядра, количество_ядер)

Шаблоны вызова функций полносвязного слоя

wdl.data_int('путь_к_обучающей_выборке.csv', 'путь_к_файлу_со_значениями_кол-ва_знаков_после_запятой.txt', 'название_выходных_файлов')

wdl.select_top('путь_к_целочисленной_обучающей_выборке.csv', 'название_столбца_с_метками_классов')

wdl.select_top_binary('путь_к_целочисленной_обучающей_выборке.csv', 'название_столбца_с_метками_классов')

wdl.grad('путь_к_целочисленной_обучающей_выборке.csv', [целевой_класс], [список_остальных_классов], 'название_столбца_с_метками_классов', шаг, [вектор_весов])

wdl.grad_binary('путь_к_целочисленной_обучающей_выборке.csv', [целевой_класс], [список_остальных_классов], 'название_столбца_с_метками_классов', шаг, [вектор_весов])

wdl.scale_weights('название_столбца_с_метками_классов', 'путь_к_папке_с_обучающими_выборками', 'путь_к_папке_с_весами')

wdl.generate_fa('название_столбца_с_метками_классов', 'путь_к_папке_result', 'путь_к_папке_scale')

wdl.check_test('путь_к_полной_обучающей_выборке.csv', 'путь_к_файлу_со_всеми_весами.txt', 'путь_к_тестовой_выборке.csv', 'название_столбца_с_метками_классов')
Описание

Python
Readme
0 Форки
0 Звезд
0 Наблюдатели
Конвейеры
0 успешных
0 с ошибкой