Sử dụng mạng Neural xây dựng ứng dụng nhận dạng chữ viết tay

TRƯỜNG ĐẠI HỌC QUỐC GIA HÀ NỘI ĐẠI HỌC CÔNG NGHỆ -----o0o----- BÁO CÁO Môn: TRÍ TUỆ NHÂN TẠO NÂNG CAO SỬ DỤNG MẠNG NEURAL XÂY DỰNG ỨNG DỤNG NHẬN DẠNG CHỮ VIẾT TAY Giảng viên hướng dẫn : ĐỖ NĂNG TOÀN Học viên thực hiện : NGUYỄN HỮU HUY NGUYỄN XUÂN KỲ ĐOÀN THỊ THÙY LINH Lớp : K16T3 Hà nội, 4-2010 Mục lục Tổng quan về mạng nơron Mạng nơron là gì Mạng nơron nhân tạo, Artificaial Neural Network (ANN) gọi tắt là mạng nơron (neural network), là mô hình xử lý thông tin phỏng theo cách thức xử lý thông tin của các hệ nơron sinh học. Nó được tạo nên từ một số lượng lớn các phần tử (gọi là phần tử xử lý hay nơron) kết nối với nhau thông qua các liên kết (gọi là trọng số liên kết) làm việc như một thể thông nhất để giải quyết một vấn đề cụ thể nào đó. ứng dụng trong lĩnh vực gì Một mạng nơron nhân tạo được cấu hình cho một ứng dụng cụ thể (nhận dạng mẫu, phân loại dữ liệu,…) thông qua một quá trình học từ các mẫu huấn luyện. Về bản chất học chính là quá trình hiệu chỉnh trọng số liên kết giữa các nơron Cấu trúc của một nơron Cấu trúc tổng quát Giải thích ký hiệu: Tập các đầu vào: là các tín hiệu vào (input signal) của nơron, các tín hiệu này thường được đưa dưới dạng vector N chiều Tập các liên kết: Mỗi liên kết được thể hiện bởi một trọng số (gọi là trọng số liên kết – Synaptic weight). Thông thường các trọng số này được khởi tạo một cách ngẫu nhiên ở thời điểm khởi tạo mạng và được cập nhật liên tục trong quá trình học mạng. Bộ tổng (Summing function): thường dùng để tính tổng của các tích đầu vào với trọng số liên kết của nó Ngưỡng (còn gọi là một độ lệch – bias): Ngưỡng này thường được đưa vào như một thành phần của hàm truyền Hàm truyền (Transfer function): Hàm này được dùng để giới hạn phạm vi đầu ra của mỗi nơron. Nó nhận đầu vào là kết quả của hàm tổng và ngưỡng đã cho Đầu ra: Là tín hiệu đầu ra của mỗi nơron, với mỗi nơron sẽ có tối đa là một đầu ra Học có giám sát và học không có giám sát Một mạng nơron cần được đào tạo trước khi nó có thể được đưa vào sử dụng. Huấn luyện liên quan đến việc đưa vào mạng nơron mẫu huấn luyện và cho phép nó tìm hiểu bằng cách hiệu chỉnh trọng số liên kết và các thông số khác nhau. mạng nơ-ron có thể được phân loại thành hai loại dựa vào loại học tập. Mạng nơron học có giám sát: Trong phương pháp học có giám sát, mạng nơron học từ các mẫu. Tập huấn luyện bao gồm một tập hợp các mẫu đầu vào và các kết quả đầu ra mong muốn tương ứng với mẫu đầu vào. Các mạng nơron điều chỉnh trọng số liên kết của nó để tìm hiểu mối quan hệ giữa các cặp đầu vào-đầu ra. Mạng nơron được huấn luyện thành công thì có thể hể được sử dụng để tìm đầu ra phù hợp nhất đối với bất kỳ đầu vào hợp lệ. Mục tiêu của việc học có giám sát một mô hình toàn cục là tìm ra một hàm f, khi cho sẵn một tập các điểm có dạng (x, f(x)). Trong phương pháp học không có giám sát: Mạng nơron chỉ nhận được một tập hợp các đầu vào từ môi trường bên ngoài. Nó có vẻ bí ẩn để tưởng tượng những gì các mạng có thể có thể học hỏi từ thiết lập một chỉ số đầu vào. Tuy nhiên, có thể để chính thức chứng minh rằng một mạng lưới không có giám sát có thể xây dựng đại diện của các đầu vào có thể được sử dụng cho việc ra quyết định. Giải thuật lan truyền ngược Để huấn luyện mạng nơron ta cung cấp cho nó một bộ huấn luyện và cho phép nó học bằng cách điều chỉnh trọng số của các liên kết mạng. Một tập huấn luyện là một tập hợp mẫu huấn luyện. Training Set = Set of training samples Một mẫu đào tạo là một cặp của một vector đầu vào và một mẫu vectơ đầu ra mong muốn. Trong trường hợp đào tạo không có giám sát, các vector đầu ra nên được để null. Chiều dài của vector đầu vào nên được tương tự như số lượng các nơron trong lớp đầu vào, và độ dài vector đầu ra nên được bằng số nơron trong lớp đầu ra. Training Sample = (input vector, desired vector) Backpropagation thuật toán là một thuật toán giám sát thường được sử dụng để huấn luyện các mạng feed-forward. Nó được giới thiệu lần đầu tiên bởi Paul Werbos trong cuốn sách 'The Roots của Backpropagation'. Ý tưởng cơ bản là xác định mạng nơron hoạt động như thế nào với đầu vào mẫu, so sánh khác nhau như thế nào giữa các hành vi mong muốn và sau đó điều chỉnh trọng số của các liên kết để giảm thiểu sự khác biệt. Quá trình này lặp đi lặp lại cho tất cả các mẫu đào tạo trong nhiều lần thiết lập để đảm bảo huấn luyện phù hợp. Việc huấn luyện mạng MLP bởi thuật toán lan truyền ngược sai số bao gồm hai quá trình: Quá trình truyền thẳng và quá trình truyền ngược. Trong quá trình truyền thẳng, các vector đầu vào sẽ được cung cấp cho các nơron của mạng và tín hiệu sẽ được lan truyền lần lượt trên từng lớp mạng. Cuối cùng ta sẽ tính được một tập các đầu ra thực sự của mạng. Trong suốt quá trình truyền thẳng, tất cả các trọng số liên kết của mạng đều cố định. Ngược lại, trong quá trình truyền ngược, tất cả các trọng số liên kết đó sẽ được hiệu chỉnh theo các luật hiệu chỉnh trọng số. Sai số của mạng sẽ được đo bằng độ sai lệch giữa đầu ra thu được với các giá trị mục tiêu tương ứng. Các sai số này sau đó sẽ được lan truyền ngược lần lượt trên các lớp mạng (từ lớp cuối cùng đến lớp đầu tiên). Các trọng số liên kết sẽ được hiệu chỉnh sao cho các đầu ra thực sự của mạng càng gần với các giá trị mục tiêu càng tốt. Learning Rate Learning rate là một trong những thông số mà điều chỉnh việc làm thế nào để một mạng noron học nhanh và làm thế nào để việc huấn luyện hiệu quả. Hãy xem xét một nơron mà đang trải qua quá trình học tập. Giả định rằng trọng số của một số liên kết trong mạng một phần được đào tạo là 0,3. Khi mạng được giới thiệu một mẫu huấn luyện mới, thuật toán huấn luyện yêu cầu các liên kết thay đổi trọng số của nó đến 0,7 để nó có thể học các mẫu mới phù hợp. Nếu chúng ta cập nhật trọng số ngay lập tức, các mạng nơron chắc chắn sẽ học các mẫu mới, nhưng nó có xu hướng quên đi tất cả các mẫu nó đã học trước đó. Điều này là do trọng số hiện tại (0,3) là kết quả của tất cả việc học mà nó đã trải qua cho đến nay.Vì vậy, chúng ta không trực tiếp thay đổi trọng số tới 0,7. Thay vào đó, chúng ta tăng nó bởi một phần nhỏ (chọn 25%) của sự thay đổi cần thiết. Vì vậy, trọng số liên kết của được thay đổi thành 0,4 và chúng ta chuyển sang mẫu đào tạo tiếp theo. Yếu tố này (0,25 trong trường hợp này) được gọi là Learning Rate. Căn cứ theo cách này, tất cả các mẫu huấn luyên được huấn luyện trong một số thứ tự ngẫu nhiên. Khi chu trình đào tạo lặp đi lặp lại nhiều lần, cuối cùng mạng nơron học tất cả các mẫu có hiệu quả. Learning rate là một giá trị trong khoảng từ 0 đến 1. Chọn một giá trị rất gần bằng không, đòi hỏi một số lượng lớn các chu trình huấn luyện. Điều này làm cho quá trình huấn luyện rất chậm. Mặt khác, nếu learning rate rất lớn, trọng số khác nhau và độ lệch hàm mục tiêu dao động lớn và mạng đạt đến một trạng thái mà việc huấn luyện diễn ra vô ích. Hàm Active Hàm active trong mạng được xác định là cách để có được đầu ra của neuron từ một tập đầu vào dựa trên thuật toán bakcpropagation. Các thuật toán bakcpropagation yêu cầu một hàm active để thỏa mãn tính liên tục và khả vi. Nó yêu cầu cần có hàm active để dễ dàng tính toán. Một số hàm active như Sigmoid, Linear, Logarit, Tan, Sin… Mô hình hàm : y = 1 / (1 + Exp(-x)) Hình 7.1: Mô hình hàm : y = 1 / (1 + Exp(-x)) Mô hình hàm : y = x Hình 7. 2: Mô hình hàm : y = x Hình 7.3: Mô hình hàm y = Log(1 + |x|) Hình 7.3: Mô hình hàm y = Log(1 + |x|) Hình 7. 4: Mô hình hàm y = sin(x) Hình 7. 4: Mô hình hàm y = sin(x) Hình 7.5: Mô hình hàm y=Tan(x) Hình 7.5: Mô hình hàm y=Tan(x) Bản đồ tổ chức Kohonen SOM (Kohonen Self -Organizing Maps) Bản đồ Kohonen SOM là phương pháp học không có giám sát được sử dụng rộng rãi để giảm tính đa chiều của không gian đầu vào nhưng vẫn đảm bảo đúng cấu trúc đồ thị của nó. Một kiến trúc SOM Kohonen điển hình được hiển thị dưới đây. Bao gồm một lớp đầu vào kết nối với một lớp đầu ra (Kohonen 2 chiều) thông qua một Connector Kohonen gồm các nơrôn Kohonen. Mỗi tế bào nơrôn trong một lớp Kohonen được liên kết với một tập các nơrôn khác trong không gian hai chiều. Lớp tế bào nơron đầu vào với n nơron với. Lớp đầu ra tổ chức riêng của mình để dựa vào đầu vào. Vì thế gọi là mô hình tự tổ chức. Trong giai đoạn đào tạo, một SOM xây dựng một mẫu đào tạo đại diện. Mạng lưới đào tạo có thể sử dụng bản đồ vector đầu vào bất kỳ là không gian hai chiều. Mục tiêu đào tạo của SOM là để đảm bảo rằng các phần khác nhau của mạng phản ứng tương tự như các vector đầu vào. Vì vậy, việc đào tạo chủ yếu liên quan đến việc phân tích hành vi của các mạng lưới cho một mẫu đào tạo và điều chỉnh trọng lượng của một phần tử nơron để đảm bảo rằng các mạng lưới tiến hành một hành vi tương tự đối với một đầu vào giống nhau. Các thủ tục liên quan đến việc đào tạo các bước sau đây: Khởi tạo trọng những giá trị nhỏ ngẫu nhiên Chọn một mẫu đào tạo ngẫu nhiên, giao cho vector đầu vào trên các tế bào thần kinh và chạy mạng. Đầu ra của một neuron tương ứng tỉ lệ với trọng lượng vector của nó và các vector đầu vào. Các neuron đầu ra có giá trị cao nhất sẽ thông báo là người chiến thắng cho các neuron đầu vào hiện hành. Tính toán khoảng cách của mỗi neuron đầu ra từ những nơron chiến thắng bằng cách sử dụng một Hàm Neighborhood Cập nhật các thông số của khớp nơron bằng cách sử dụng các công thức sau đây. a= Thông số giữa của nơrol đầu vào Trọng số b= (Mức độ học M) * (Giá trị so với nơrol hàng xóm) * a Tương tự như vậy, nó sẽ đào tạo tất cả các mẫu theo một thứ tự ngẫu nhiên. Điều này hoàn tất thành một chu trình đào tạo. Lặp lại các bước để hoàn thành số quy định của các thế đào tạo. Các SOM đào tạo các bản đồ vector đầu vào bất kỳ thành một neuron chiến thắng, và có thể được hiểu như là vị trí của vector trong không gian hai chiều. Hàm Neighborhood Tổng quan Trong một bản đồ tự tổ chức, hàm neighborhood xác định các thông số của một tế bào nơrol từ tế bào nơrol đó tới nơrol chiến thắng trong cùng một lớp. Giá trị Neighnorhood ở neuron bị quyết định bởi vector trọng số của nó với những thay đổi ở nơrol chiến thắng. Nó thay đổi từ số không (cho một neuron ở khoảng cách xa vô hạn từ người chiến thắng) để cuối cùng người chiến thắng là chính nó. Hình minh họa Một số hàm Neighborhood như Gaussian và Mexican-Hat như hình vẽ sau: Hình 9.1: Hàm Gaussian Neighborhood Hình 9.2: Hàm Mexican-Hat Neighborhood Lưới Topology Trong bản đồ lớp Kohonen Layer lưới topology quy định cụ thể sự sắp xếp của nơron lưới hai chiều tạo thành lớp. Hàm Neighborhood được áp dụng trên topology này.Có 2 lưới Topology hay dùng là hình lục giác và hình chữ nhật Hình 10.1: Rectangular Topology Hình 10.2: Hexagonal Topology Một số hình dạng của lớp Kohonen NeuronNetwork hỗ trợ các hàng và cột có thể vo tròn. Tính năng này có thể được dùng để tạo ra các lớp Kohonen với hình dạng khác nhau. Hình 11.1: Dạng phẳng Hình 11.2: Dạng đường thẳng Hình 11.3:Dạng hình vòng Hình 11.4: Dạng hình trụ Hình 11.5:Dạng hình xuyến Thiết kế mạng Nơron Thiết kế một mạng nơron nhân tạo cho một ứng dụng cụ thể liên quan đến việc lựa chọn đúng loại mạng, tìm một số thích hợp của các lớp ẩn, phương pháp thích hợp để khởi tạo trọng số, thuật toán học thích hợp, các thế đào tạo, tỷ lệ học tập và số lượng mẫu đào tạo để sử dụng. Hầu hết các thông số này đều phụ thuộc vào ứng dụng mà các mạng nơron đang được thiết kế.Dưới đây là một số hướng dẫn chung về thiết kế mạng nơrron: Số lượng lớp ẩn (trong mạng Backpropagation) Một mạng lưới Backpropagation không có lớp ẩn không thể thực hiện phân loại không tuyến tính. Vì vậy, một trong những lớp ẩn là phải cho một mạng lưới backpropagation. Hơn nữa, nó đã được toán học đã chứng minh rằng một mạng lưới backpropagation với lớp ẩn duy nhất khi đào tạo phù hợp, có thể dùng để xấp xỉ hàm. Vì vậy, lớp ẩn duy nhất là sự lựa chọn tốt nhất trong hầu hết trường hợp. Có nhiều lớp ẩn tăng tốc quá trình học tập và mạng được đào tạo phù hợp chính xác với các mẫu đào tạo nhưng không thực hiện tốt trên các dữ liệu thử nghiệm. Hiệu ứng này được gọi là overtraining nơi mạng lưới huấn luyện có xu hướng ghi nhớ các mẫu huấn luyện thay vì học tập chúng. Mạng neurol ban đầu Khởi tạo đúng trọng số liên kết nơron có ảnh hưởng lớn tới việc đào tạo tốc độ cũng như xác định hiệu quả của đào tạo. Thông thường, trọng số được khởi tạo với giá trị ngẫu nhiên từ -0,5 đến +0,5 (giá trị cao có xu hướng kết quả trong khu vực bão hòa sau khi kích hoạt, các giá trị ban đầu nhỏ thì ra các giá trị gần bằng không). Mạng nơron thực hiện quá trình khởi tạo như là một module pluggable. Tuỳ chỉnh các thuật toán khởi tạo có thể được cắm vào bằng cách thực hiện Initializer giao diện. Số mẫu huấn luyện Quyết định như thế nào để các mẫu đại diện cho các chức năng huấn luyện thực tế là tốt nhất. Thông thường, các lỗi học hơi tăng so với sự gia tăng kích thước của tập huấn luyện, đồng thời ta cũng có thể nhận thấy rằng giảm lỗi và mạng thực hiện tốt hơn về dữ liệu thử nghiệm. Một mối quan hệ giữa kích thước mạng và số lượng tối ưu của mẫu đào tạo có thể được tìm thấy. Các lĩnh vực ứng dụng mạng nơron Giải quyết các bài toán Mạng trí tuệ nhân tạo (Artificial neural networks) được ứng dụng giải quyết các bài toán trong các lĩnh sau: Bài toán về Function Modeling Bài toán về phân loại (Classification Problems) Baì toán xử lý và rút trích dữ liệu (Data processing and feature extraction) Phạm vi ứng dụng Phạm vi ứng dụng của trí tuệ nhân tạo rất lớn: trong các tập đoàn tài chính nó được dùng để phân tích và dự đoán tài chính, nhận dạng chữ ký, nhận dạng ảnh, nhận dạng chữ viết, nhận dạng sinh trắc học, mô hình hóa các hệ thống động, hệ thống tự động hóa, hệ thống chuyển từ dọng nói ra chữ viết, bóc tách dự liệu, trí tuệ nhân tạo dùng trong trò chới máy tính, hệ thống xác định đường đi trong giao thông vẫn tải, các hệ thống máy bay tự lái, etc. Cài đặt môi trường phát triển Ngôn ngữ lập trình Dự án được viết trên ngôn ngữ C#. Do vậy bạn cần phải sử dụng Microsoft .NET framework. Công cụ phát triển Sử dụng công cụ phát triển là Visual Studio Express editions ( ) NeuronNetwork Class Những thông tin mô tả về các class được mô tả tại mục này. Ví dụ như: layers, connectors, networks and TrainingSet. Tất cả các class này được thừa kế từ class 'ISerializable' interface Neuron.Core namespace INeuron : Interface mô tả một nơron thần kinh ISynapse : Interface mô tả một khớp nối thần kinh trong mạng ILayer : Interface mô tả Layer trong mạng nơron IConnector : Interface mô tả một bô kết nối (connector) (kết nối giữa hai layers) INetwork : Interface mô tả một mạng nơron IInitializer : Interface dùng để khởi tạo một cách thức làm việc cụ thể của các lớp và các bộ kết nối trong một mạng cụ thể. ILearningRateFunction : Learning Rate Function interface. Layer : Một thể hiện ở mức tổng quát hóa của interface 'ILayer' hay là một tập hớp các 'INeuron's Connector : Một thể hiện ở mức tổng quát hóa của inter 'IConnector' liên kết giữa hai layers Network : Một lớp cơ sở để thể hiện một mạng nơron. Nó là triển khai của interface 'INetwork'. TrainingSample : Lớp này là thể hiện một cặp các vector: vector đầu vào và vector đầu ra mong muốn. TrainingSet : Là tập hợp của các TrainingSample. TrainingMethod : Thể hiện phương thức học của mạng nơron là học có giám sát hay không giám sát ConnectionMode : Thể hiện một bộ kế nối là một-một connector hay nhiều-nhiều NeuronNetwork.Core.Initializers namespace Có rất nhiều các phương thức khởi tạo cho mạng như: ConstantFunction, NGuyenWidrowFunction, ZeroFunction, RandomFunction và NormalizedRandomFunction được mô tả trong namespace này. NeuronNetwork.Core.LearningRateFunctions namespace Namespace chứa các hàm dùng cho Learning rate như: HyperbolicFunction, ExponentialFunction và LinearFunction. NeuronNetwork.Core.BackPropagation namespace ActivationNeuron : một nơron trong mạng lan truyền ngược BackpropagationSynapse : Các bộ kết nối giữa hai activation neurons ActivationLayer : một lớp tổng quát hóa của activation neurons BackpropagationConnector : một tập các BackpropagationSynapses kết nối giữa hai activation layers BackpropagationNetwork : Một mạng lan truyền ngược LinearLayer, LogarithmLayer, SigmoidLayer, SineLayer và TanhLayer thừa kế lớp ActivationLayer để triển khai một thể hiên tương ứng với các hàm activation functions. NeuronNetwork.Core.SOM namespace PositionNeuron : một nơron a Kohonen network KohonenSynapse : Liên kết một nơron và một PositionNeuron KohonenLayer : một layer của PositionNeurons KohonenConnector : một tập hợp các KohonenSynapses liên kết các Kohonen Layers KohonenNetwork : thể hiện một Self-Organizing Map LatticeTopology : chỉ định dạng lưới lattice topology là Hexagonal hay Rectangular. INeighborhoodFunction : Interface biểu diễn một neighborhood function NeuronNetwork.Core.SOM.NeighborhoodFunctions namespace Namespace này bao gôm các class sau GaussianFunction và MexicanHatFunction  Một vài đoạn code hữu dụng backpropagation network Đoạn mã bên dưới tạo ra một backpropagation network có một lớp đầu vào là LinearLayer chứa mười nơron, một lớp ẩn sigmoid chưa năm nơron và một lớp đầu ra sigmoid chứa bảy nơron. Để tạo một mạng nơron, đầu tiên cần khởi tạo các lớp (layers), sau đó kết nối các lớp bằng cách tạo ra các connectors và rồi tạo ra mạng nơron bằng cách cung cấp các lớp đầu vào và đầu ra. Không được sửa đổi cấu trúc của mạng sau khi tạo ra nó (Không tạo ra bất kỳ các Layer hoặc connector nào khi đã tạo mạng thành công). Cần chú ý lớp đầu vào của một mạng backpropagation luôn luôn là một linear layer bởi vì chúng ta không muốn thay đổi dữ liệu đầu vào thêm độ lệch hay thực hiện activation function. Đoạn mã khởi tạo một Kohonen SOM. Bất cứ lúc nào cũng có thể thay đổi thuộc tính của các layers và các connnectors. Một learning rate function được liên kết với mọi layer trong mạng. Chúng ta có thể thay đổi thuộc tính này cho mỗi một layer. Nếu muốn sử dụng duy nhất một hàm cho mọi lớp chúng ta có thể sử dụng hàm SetLearningRate cho network Để dạy mạng ta cần các mẫu ví dụ (bao gồm đầu vào và đầu ra). Chúng ta cần tạo ra một tập hợp các mẫu training samples và chúng ta có thể dạy mạng này chống lại các training set. Chương trình ứng dụng mạng Neuron Nhận dạng ký tự bàng cách vẽ chữ. Đây là màn hình chương trình nhận dạng ký tự A bằng cách vẽ chữ A. Màn hình dạy chương trình nhận dãng ký tự A.