======Software (libero) di simulazione reti neurali======

 > Tornare alla pagina iniziale, per conoscere altri [[neurali:software di simulazione reti]]

======PyBrain======

  - **Inattivo** dal giugno 2014 (o anche da prima?)
  - Mailing list **inaccessibile** senza iscrizione a Google Gruppi
  - pacchetto debian
  - c'è un buon tutorail, utile per imparare cosa è una rete neurale e come funziona

==== Doc ====

https://web.archive.org/web/20100106050159/http://github.com/pybrain/pybrain

====Download====

  git clone ...


 
====XOR====
Il //quickstart// della documentazione mostra come creare una semplice rete per approssimare una funzione XOR

https://web.archive.org/web/20230115194325/http://pybrain.org/docs/


====Dipendenze====

  python-scipy python-matplotlib

====Altri Pacchetti Consigliati==== 
  LIBSVM RL-Glue ODE(0.8) PyOde(1.2) PIL (Python Imaging Library) PyOpenGL(3.0) tk/tkinter PyCDF SCons

=====Descrizione=====

PyBrain permette di costruire reti mettendo insieme dei //modules// insieme alle //Connections//: i primi (detti anche layer) contengono i nodi o percettroni, i secondi stabiliscono legami tra i nodi e contengono i pesi.

È necessaria la presenza dei seguenti tipi di moduli:
  * di input
  * di output
  * hidden
  * error (opzionale)


I nodi all'interno della rete sono caratterizzati da una //funzione di attivazione// (di trasferimento?), (utilizzata solo nella fase di apprendimento?), delle seguenti tipologie:

  * sigmoid (default)
  * linear (non effettua nessuna trasformazione)
  * softmax (nei problemi di [[neurali:pybrain classificazioni con FFN|classificazione]])
  * Tanh (tangente iperbolica)
  * altro?

(vedere [[neurali:percettrone#funzioni_di_attivazione_non_lineari]])

Di solito la struttura dei layer di una rete è ordinata tramite //Connections// seguendo un modello di architettura //[[neurali:FeedForward Neural Network]]// (**FNN**), ma aggiungendo almeno un modulo di retroazione si può ottenere una architettura //[[neurali:Recurrent Neural Network]]// (**RNN**), che si distingue per la presenza di un ulteriore modulo che guarda indietro nel tempo (memoria).
===FNN===
Si utilizza un apprendimento "**machine learning**" detto anche "supervisioned learning", che ottimizza i pesi delle connessioni usando un //dataset// e il metodo //trainer//
Il metodo __trainer__ potrebbe essere di tipo //BackpropTrainer()//
===RNN===
Si utilizza un apprendimento "**reinforced learning**" usando un //environment// e un //optimization task//. L'ambiente o __environment__ potrebbe essere un labirinto (maze)

Il costruttore delle connection (deve essere applicato su ogni modulo/layer) può essere di tipo:

  * FullConnection()
  * da finire?

=====Tutorial=====

  * [[neurali:pybrain help|help]] python
  * tutorial 
  * [[neurali:pybrain classificazioni con FFN|classificazioni]]
  * [[neurali:pybrain costruire una rete|costruire una rete]] neurale
  * [[neurali:pybrain recurrent neural network|RNN]] con pybrain
  * [[neurali:pybrain supervisioned learning]]