Differences

This shows you the differences between two versions of the page.

--- neurali:pybrain [2018/07/17 18:50] – [Software (libero) di simulazione reti neurali] profpro
+++ neurali:pybrain [2020/06/08 22:20] – external edit 127.0.0.1
@@ Line 1: / Line 1: @@
+======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://github.com/pybrain/pybrain/downloads
+====Download====
+  git clone git://github.com/pybrain/pybrain.git
+====XOR====
+Il //quickstart// della documentazione mostra come creare una semplice rete per approssimare una funzione XOR
+  * http://pybrain.org/docs/#quickstart
+====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]]